基于穩(wěn)健估計的極限學(xué)習(xí)機(jī)方法研究.pdf

1、極限學(xué)習(xí)機(jī)(Extreme Learning Machine，ELM)是一種新型的單隱層前饋神經(jīng)網(wǎng)絡(luò)，由于其具有結(jié)構(gòu)簡單，學(xué)習(xí)速度快，以及良好的泛化性能等優(yōu)點正日漸受到眾多研究學(xué)者們的青睞。但是，該算法穩(wěn)健性不強(qiáng)，易受外界干擾，針對這一問題，本文改進(jìn)了極限學(xué)習(xí)機(jī)算法的輸出權(quán)值估計方法，提出一種基于穩(wěn)健估計的采用加權(quán)最小二乘方法取代最小二乘計算網(wǎng)絡(luò)輸出權(quán)值的魯棒極限學(xué)習(xí)機(jī)，大幅提高了系統(tǒng)的抗差性能。本文研究內(nèi)容如下：
　　(1)闡述

2、了神經(jīng)網(wǎng)絡(luò)的基本理論及其學(xué)習(xí)訓(xùn)練方法，并深入研究了極限學(xué)習(xí)機(jī)算法，總結(jié)了極限學(xué)習(xí)機(jī)在國內(nèi)外的研究現(xiàn)狀，比較了其相對于傳統(tǒng)神經(jīng)網(wǎng)絡(luò)的優(yōu)勢，以及不足之處。
　　(2)針對極限學(xué)習(xí)機(jī)魯棒性不強(qiáng)，易受干擾等問題，引入穩(wěn)健估計理論，并對其中的M估計做了詳細(xì)的介紹。在保留了極限學(xué)習(xí)機(jī)的結(jié)構(gòu)簡單，學(xué)習(xí)速度快等優(yōu)點的基礎(chǔ)上，與M估計相結(jié)合，提出一種基于穩(wěn)健估計的極限學(xué)習(xí)機(jī)算法(RRBELM)，即利用迭代加權(quán)最小二乘估計替代魯棒性較差的最小二乘估計

3、來計算輸出權(quán)值。如此，在賦予殘差權(quán)重的時候便會根據(jù)樣本的殘差大小分配權(quán)值，降低了異常值的影響，達(dá)到降噪的目的。
　　(3)為了驗證RBELM算法的有效性，通過“SinC”函數(shù)逼近實驗、UCI標(biāo)準(zhǔn)數(shù)據(jù)庫的回歸與分類實驗，驗證了該算法在保留了極限學(xué)習(xí)機(jī)的學(xué)習(xí)速度快、結(jié)構(gòu)簡單、泛化性能強(qiáng)等優(yōu)勢外，其抗差能力也明顯得到了提升。
　　(4)回轉(zhuǎn)窯系統(tǒng)是一個典型的非線性、多變量、強(qiáng)干擾、強(qiáng)耦合以及大時滯模型。通過分析回轉(zhuǎn)窯的工藝特點，將