基于指数Laplace损失函数的回归估计鲁棒超限学习机

作     者：王快妮 曹进德 刘庆山 WANG Kuaini;CAO Jinde;LIU Qingshan

作者机构：西安石油大学理学院西安710065 东南大学数学学院南京211189 

出 版 物：《应用数学和力学》 (Applied Mathematics and Mechanics)

年 卷 期：2019年第40卷第11期

页      面：1169-1178页

核心收录：

学科分类：12[管理学] 1201[管理学-管理科学与工程(可授管理学、工学学位)] 081104[工学-模式识别与智能系统] 08[工学] 0835[工学-软件工程] 0811[工学-控制科学与工程] 0812[工学-计算机科学与技术（可授工学、理学学位）] 

基　　金：国家自然科学基金(61833005 61907033) 中国博士后科学基金(2018M642129) 

主　　题：神经网络 超限学习机 鲁棒 指数Laplace损失函数 迭代重赋权算法 

摘      要：实际问题的数据集通常受到各种噪声的影响,超限学习机(extreme learning machine,ELM)对这类数据集进行学习时,表现出预测精度低、预测结果波动大.为了克服该缺陷,采用了能够削弱噪声影响的指数Laplace损失函数.该损失函数是建立在Gauss核函数基础上,具有可微、非凸、有界且能够趋近于Laplace函数的特点.将其引入到超限学习机中,提出了鲁棒超限学习机回归估计(exponential Laplace loss function based robust ELM for regression,ELRELM)模型.利用迭代重赋权算法求解模型的优化问题.在每次迭代中,噪声样本点被赋予较小的权值,能够有效地提高预测精度.真实数据集实验验证了所提出的模型相比较于对比算法具有更优的学习性能和鲁棒性.