遗忘因子随机配置网络驱动的自适应切换学习模型

作者：乔景慧^*; 张岩; 陈宇曦; 张开济

来源：电子测量与仪器学报, 2023, 37(08): 71-83.

DOI：10.13382/j.jemi.B2306397

• 随机配置网络
• 遗忘因子
• 动态隐含层节点
• 自适应切换学习模型

随机配置网络(SCNs)具有通用逼近能力和快速建模特性,已成功应用于大数据分析。在SCN的基础上,块增量随机配置网络(BSC)使用块增量机制提高训练速度,但增加了模型结构的复杂程度。为了解决上述难题,提出遗忘因子随机配置网络(FSCN-I和FSCN-II)驱动的自适应切换学习模型(ASLM)。该模型利用正态分布配置隐含层节点的输入参数。FSCN-I通过误差值和遗忘因子调整节点块的尺寸,提高训练速度。FSCN-II引入节点移除机制降低模型结构的复杂程度。ASLM由FSCN-I和FSCN-II构成,两者根据自适应变化的边界随机切换以提高模型的训练速度,并在FSCN-I的基础上降低模型结构的复杂程度。最后,通过基础数据集和工业实例,表明该方法的有效性。

• 单位
  沈阳工业大学