基于Vapnik-Chervonenkis泛化界的极限学习机模型复杂性控制

被引：13

作者：

刘学艺 ^{[1
,2
]}

宋春跃 ^{[3
]}

李平 ^{[1
,3
]}

机构：

[1] 浙江大学航空航天学院

[2] 中国计量学院数学系

[3] 浙江大学工业控制研究所

来源：

控制理论与应用 | 2014年 / 31卷 / 05期

基金：

浙江省自然科学基金;

关键词：

VC泛化界; 模型复杂性; 极限学习机; 小样本; 实际预测风险;

D O I：

暂无

中图分类号：

TP18 [人工智能理论];

学科分类号：

140502 [人工智能];

摘要：

模型复杂性是决定学习机器泛化性能的关键因素,对其进行合理的控制是模型选择的重要原则.极限学习机(extreme learning machine,ELM)作为一种新的机器学习算法,表现出了优越的学习性能.但对于如何在ELM的模型选择过程中合理地度量和控制其模型复杂性这一基本问题,目前尚欠缺系统的研究.本文讨论了基于Vapnik-Chervonenkis(VC)泛化界的ELM模型复杂性控制方法(记作VM),并与其他4种经典模型选择方法进行了系统的比较研究.在人工和实际数据集上的实验表明,与其他4种经典方法相比,VM具有更优的模型选择性能:能选出同时具有最低模型复杂性和最低(或近似最低)实际预测风险的ELM模型.此外,本文也为VC维理论的实际应用价值研究提供了一个新的例证.

引用

页码：644 / 653

页数：10

共 17 条

[1]

多元混沌时间序列的加权极端学习机预测 [J].