二维分割贯序正则化超限学习机

发布时间：2018-01-14 16:38

本文关键词：二维分割贯序正则化超限学习机　出处：《控制与决策》2017年09期 　论文类型：期刊论文

【摘要】：针对大规模在线学习问题,提出一种二维分割贯序正则化超限学习机(BP-SRELM).BP-SRELM以在线贯序超限学习机为基础,结合分治策略的思想,从实例和特征两个维度对高维隐层输出矩阵进行分割,以降低问题求解的规模和计算复杂性,从而极大地提高对大规模学习问题的执行效率.同时,BP-SRELM通过融合使用Tikhonov正则化技术进一步增强其在实际应用中的稳定性和泛化能力.实验结果表明,所提出的BP-SRELM不仅具有更高的稳定性和预测精度,而且在学习速度上优势明显,适用于大规模数据流的在线学习与实时建模.
[Abstract]:In order to solve the problem of large-scale online learning, a two-dimensional segmented sequential regularization learning machine (BP-SRELMU. BP-SRELM) is proposed, which is based on the online sequential out-of-limit learning machine. Combined with the idea of divide-and-conquer strategy, the output matrix of high-dimensional hidden layer is segmented from two dimensions of example and feature in order to reduce the scale and complexity of solving the problem. In order to greatly improve the implementation efficiency of large-scale learning problems. At the same time. BP-SRELM uses Tikhonov regularization technology to further enhance its stability and generalization ability in practical applications. The experimental results show that. The proposed BP-SRELM not only has higher stability and prediction accuracy, but also has obvious advantages in learning speed. It is suitable for online learning and real-time modeling of large-scale data streams.
【作者单位】：南京航空航天大学计算机科学与技术学院;盐城师范学院信息工程学院;中国民航大学计算机科学与技术学院;
【基金】：国家自然科学基金项目(61603326,61379064,61273106) 国家科技支撑计划课题(2014BAJ04B02)
【分类号】：TP181
【正文快照】： 0引言在线学习是当前机器学习领域的一个重要研究方向,其基本思想是随着数据样本的不断到达,学习机能够对当前输入样本进行“局部”学习并保持模型的同步更新.与离线学习方法相比,在线学习方法能以增量的方式实现对数据样本的持续快速学习,非常适合对流式数据环境下的数据流进

【相似文献】