一种基于互信息变量选择的极端学习机算法 an extreme learning machine algorithm based on mutual information variable selection.pdfVIP

下载本文档

2
0
约2.83万字
约 5页
2017-11-02 发布于上海
举报
版权申诉

一种基于互信息变量选择的极端学习机算法 an extreme learning machine algorithm based on mutual information variable selection.pdf

1、本文档共5页，可阅读全部内容。
2、原创力文档（book118）网站文档一经付费（服务费），不意味着购买了该文档的版权，仅供个人/单位学习、研究之用，不得用于商业用途，未经授权，严禁复制、发行、汇编、翻译或者网络传播等，侵权必究。
3、本站所有内容均由合作方或网友上传，本站不对文档的完整性、权威性及其观点立场正确性做任何保证或承诺！文档内容仅供研究参考，付费前请自行鉴别。如您付费，意味着您自己接受本站规则且自行承担风险，本站不退款、不进行额外附加服务；查看《如何避免下载的几个坑》。如果您已付费下载过本站文档，您可以点击这里二次下载。
4、如文档侵犯商业秘密、侵犯著作权、侵犯人身权等，请点击“版权申诉”（推荐），也可以打举报电话：400-050-0827(电话支持时间：9:00-18:30)。
5、该文档为VIP文档，如果想要下载，成为VIP会员后，下载免费。
6、成为VIP后，下载本文档将扣除1次下载权益。下载后，不支持退款、换文档。如有疑问请联系我们。
7、成为VIP后，您将拥有八大权益，权益包括：VIP文档下载权益、阅读免打扰、文档格式转换、高级专利检索、专属身份标志、高级客服、多端互通、版权登记。
8、VIP文档为合作方或网友上传，每下载1次，网站将根据用户上传文档的质量评分、类型等，对文档贡献者给予高额补贴、流量扶持。如果你也想贡献VIP文档。上传文档

一种基于互信息变量选择的极端学习机算法 an extreme learning machine algorithm based on mutual information variable selection

第29 卷第9 期控制与决策 2014 年 9 月 Vol. 29 No. 9 Control and Decision Sep. 2014 文章编号: 1001-0920 (2014) 09-1576-05 DOI: 10.13195/j.kzyjc.2013.0098 一种基于互信息变量选择的极端学习机算法韩敏, 刘晓欣 (大连理工大学电子信息与电气工程学部，辽宁大连116023) 摘要: 针对回归问题中存在的变量选择和网络结构设计问题, 提出一种基于互信息的极端学习机(ELM) 训练算法, 同时实现输入变量的选择和隐含层的结构优化. 该算法将互信息输入变量选择嵌入到ELM 网络的学习过程之中, 以网络的学习性能作为衡量输入变量与输出变量相关与否的指标, 并以增量式的方法确定隐含层节点的规模. 在Lorenz 、Gas Furnace 和10 组标杆数据上的仿真结果表明了所提出算法的有效性. 该算法不仅可以简化网络结构, 还可以提高网络的泛化性能. 关键词: 极端学习机；变量选择；互信息；回归分析中图分类号: TP183 文献标志码: A An extreme learning machine algorithm based on mutual information variable selection HAN Min, LIU Xiao-xin (Faculty of Electronic Information and Electrical Engineering，Dalian University of Technology ，Dalian 116023 ，China. Correspondent ：HAN Min ，E-mail ：minhan@dlut.edu.cn) Abstract: To solve the problems of variable selection and architecture design in regression, an extreme learning machine (ELM) based on mutual information is proposed, which can optimize the input layer and the hidden layer simultaneously. The mutual information variable selection is combined with ELM. The performance of the network is used as the criterion of variable selection, and the size of the hidden layer is determined by using the incremental method. Simulation results on two data sets of multivariate time series and 10 benchmark datasets show the effectiveness of the proposed algorithm. The proposed algorithm can not only compact the architecture of the network, but also improve the generalization performance. Key words: extreme learning machine ；variable selection ；mutual information ；regression analysis 0 引引引言言言