首頁 > 期刊 > 自然科學(xué)與工程技術(shù) > 基礎(chǔ)科學(xué) > 數(shù)學(xué) > 應(yīng)用數(shù)學(xué)和力學(xué) > 基于指數(shù)Laplace損失函數(shù)的回歸估計魯棒超限學(xué)習(xí)機 【正文】
基于指數(shù)Laplace損失函數(shù)的回歸估計魯棒超限學(xué)習(xí)機
王快妮; 曹進德; 劉慶山 西安石油大學(xué)理學(xué)院; 西安710065; 東南大學(xué)數(shù)學(xué)學(xué)院; 南京211189
- 神經(jīng)網(wǎng)絡(luò)
- 超限學(xué)習(xí)機
- 魯棒
- 指數(shù)laplace損失函數(shù)
- 迭代重賦權(quán)算法
摘要：實際問題的數(shù)據(jù)集通常受到各種噪聲的影響,超限學(xué)習(xí)機(extreme learning machine,ELM)對這類數(shù)據(jù)集進行學(xué)習(xí)時,表現(xiàn)出預(yù)測精度低、預(yù)測結(jié)果波動大.為了克服該缺陷,采用了能夠削弱噪聲影響的指數(shù)Laplace損失函數(shù).該損失函數(shù)是建立在Gauss核函數(shù)基礎(chǔ)上,具有可微、非凸、有界且能夠趨近于Laplace函數(shù)的特點.將其引入到超限學(xué)習(xí)機中,提出了魯棒超限學(xué)習(xí)機回歸估計(exponential Laplace loss function based robust ELM for regression,ELRELM)模型.利用迭代重賦權(quán)算法求解模型的優(yōu)化問題.在每次迭代中,噪聲樣本點被賦予較小的權(quán)值,能夠有效地提高預(yù)測精度.真實數(shù)據(jù)集實驗驗證了所提出的模型相比較于對比算法具有更優(yōu)的學(xué)習(xí)性能和魯棒性.
- 神經(jīng)網(wǎng)絡(luò)
- 超限學(xué)習(xí)機
- 魯棒
- 指數(shù)laplace損失函數(shù)
- 迭代重賦權(quán)算法
摘要：實際問題的數(shù)據(jù)集通常受到各種噪聲的影響,超限學(xué)習(xí)機(extreme learning machine,ELM)對這類數(shù)據(jù)集進行學(xué)習(xí)時,表現(xiàn)出預(yù)測精度低、預(yù)測結(jié)果波動大.為了克服該缺陷,采用了能夠削弱噪聲影響的指數(shù)Laplace損失函數(shù).該損失函數(shù)是建立在Gauss核函數(shù)基礎(chǔ)上,具有可微、非凸、有界且能夠趨近于Laplace函數(shù)的特點.將其引入到超限學(xué)習(xí)機中,提出了魯棒超限學(xué)習(xí)機回歸估計(exponential Laplace loss function based robust ELM for regression,ELRELM)模型.利用迭代重賦權(quán)算法求解模型的優(yōu)化問題.在每次迭代中,噪聲樣本點被賦予較小的權(quán)值,能夠有效地提高預(yù)測精度.真實數(shù)據(jù)集實驗驗證了所提出的模型相比較于對比算法具有更優(yōu)的學(xué)習(xí)性能和魯棒性.
注：因版權(quán)方要求，不能公開全文，如需全文，請咨詢雜志社
應(yīng)用數(shù)學(xué)和力學(xué)
- 預(yù)計1-3個月 預(yù)計審稿周期
- 0.75 影響因子
- 教育 快捷分類
- 月刊 出版周期
主管單位：重慶交通大學(xué);主辦單位：重慶交通大學(xué)
我們提供的服務(wù)
在線客服
一對一咨詢服務(wù)、簡單快捷、省時省力
了解更多 >
快遞配送
直郵到家、實時跟蹤、更安全更省心
了解更多 >
雜志訂閱
去除中間環(huán)節(jié)享受低價，物流進度實時通知
了解更多 >
雜志推薦
正版雜志，匹配度高、性價比高、成功率高
了解更多 >