改进式混合增量极限学习机算法
Control and Decision(2015)
摘要
针对增量型极限学习机(I-ELM)中存在大量降低学习效率及准确性的冗余节点的问题,提出一种基于Delta检验(DT)和混沌优化算法(COA)的改进式增量型核极限学习算法.利用COA的全局搜索能力对I-ELM中的隐含层节点参数进行寻优,结合DT算法检验模型输出误差,确定有效的隐含层节点数量,从而降低网络复杂程度,提高算法的学习效率;加入核函数可增强网络的在线预测能力.仿真结果表明,所提出的DCI-ELMK算法具有较好的预测精度和泛化能力,网络结构更为紧凑.
更多AI 理解论文
溯源树
样例
![](https://originalfileserver.aminer.cn/sys/aminer/pubs/mrt_preview.jpeg)
生成溯源树,研究论文发展脉络
Chat Paper
正在生成论文摘要