科研之友
微信
新浪微博
Facebook
分享链接
摘要
增量型随机权神经网络（I-RVFL）具有良好的泛化性能，在一定程度上避免了过拟合问题，但是，I-RVFL网络的输入权值和隐藏层偏差是从固定范围内随机生成的，可能会导致模型不稳定。针对上述问题，论文提出一种改进的I-RVFL网络。首先，利用指数加权平均对历史数据依赖随时间指数衰减且能平滑数据中异常值的特点，优化随机分配的输入权值与偏差。然后，将凸函数的下降梯度比应用到模型误差序列中，建立神经网络权值配置的约束条件。在UCI数据集上的仿真结果表明，改进的I-RVFL网络在分类精度以及稳定性上有显著提高。将论文方法应用于红外火焰识别，检测准确率达到98%，验证了该网络的有效性和实用性。
- 单位
