样本增量型极限学习机的研究及应用

摘要

针对原始极限学习机不适于解决在线预测的回归问题,提出一种样本增量型极限学习机算法。极限学习机是一种新型的单隐层前向神经网络,随机设置输入权值和隐层阈值,解析计算获得输出权值。所提算法以极限学习机为基础,引入样本增量的思想,即根据样本之间的实际增量来调整网络的输入权值和阈值,使极限学习机具有样本自适应性和在线辨识能力。通过在UCI数据集和锅炉NOx排放浓度建模上的应用,实验结果表明算法具有良好的回归能力和泛化能力,并且对于解决在线建模问题是有效的。