10.15918/j.tbit1001-0645.2021.302
基于状态转移算法的极限学习机
目前极限学习机在训练模型时存在占用计算资源多和模型精度低等问题.为了解决上述问题,提出了一种基于状态转移算法的极限学习机,可提升算法计算效率和模型精度.利用状态转移算法的全局搜索特性求解线性方程组,得到极限学习机的输出权重矩阵,进而完成建模.在分类和回归数据集上与极限学习机和其他主流算法进行对比,所提方法可以利用较少的隐藏层节点得到高精度的模型,同时具有更好的学习准确率.这种高性能的建模方式弥补了极限学习机的不足.
机器学习、极限学习机、状态转移算法、模型优化、数据分类
42
TP273(自动化技术及设备)
国家重点研发计划;国家自然科学基金
2022-10-31（万方平台首次上网日期，不代表论文的发表时间）
共9页
1042-1050
