科研之友
微信
新浪微博
Facebook
分享链接
摘要
宽度学习系统（BLS）具有出色的计算效率和预测准确性；然而，在传统BLS框架中，权值矩阵采用随机生成的方式，存在学习结果不稳定的风险。因此，设计一种BLS中鲁棒性权值矩阵组合的筛选方法（RWS-BLS）。首先，通过4组函数数据的验证，揭示随机权值矩阵在样本整体训练误差上的显著差异性；其次，研究权值矩阵组合的形式，放宽筛选条件的严格最优限制，将最优转换为较优，并将误差最小值限定在指定范围内，定义精英组合等条件；最后，得到可靠的权值矩阵的组合，有效降低随机性影响，并建立稳健的模型。实验结果表明，在16组模拟数据、NORB数据集和5组UCI回归数据集上，在数据更换或受噪声扰动的情况下，与BLS方法相比，所提方法的均方误差（MSE）下降了7.32%、8.73%和1.63%。RWS-BLS为BLS提供了一种模型平稳性研究的方向，提高了含有随机参数模型的效率和稳定性，并对涉及随机参数的其他机器学习方法具有借鉴作用。
- 单位
