Resumen

Para los datos mezclados, la robustez de la máquina de aprendizaje extremo (ELM) es muy débil porque los coeficientes (pesos y sesgos) de los nodos ocultos se establecen aleatoriamente y los datos ruidosos ejercen un efecto negativo. Para resolver este problema, en este artículo se propone un nuevo marco denominado "RMSE-ELM". Se trata de un modelo recursivo de dos capas. En la primera capa, el marco entrena simultáneamente muchos ELMs en diferentes grupos de ensamblaje y luego emplea un enfoque de ensamblaje selectivo para elegir un conjunto óptimo de ELMs en cada grupo, que se pueden fusionar en un gran grupo de ELMs llamado pool de candidatos. En la segunda capa, el enfoque de conjunto selectivo se utiliza de forma recursiva en el conjunto de candidatos para obtener el conjunto final. En los experimentos, aplicamos conjuntos de datos combinados UCI para confirmar la solidez de nuestro nuevo enfoque en dos aspectos clave (error cuadrático medio y desviación estándar). La complejidad espacial de nuestro método aumenta en cierta medida, pero el resultado ha demostrado que RMSE-ELM mejora significativamente la robustez con una velocidad de aprendizaje rápida en comparación con los métodos representativos (ELM, OP-ELM, GASEN-ELM, GASEN-BP y E-GASEN). En el futuro, se convertirá en un marco potencial para resolver el problema de robustez de ELM para datos mezclados de alta dimensión.

• Materias:Matemáticas Análisis Matemático Álgebra Ingeniería
• Subjects:mathematics Mathematical Analysis Algebra Engineering
• Palabras claves:elm, enfoque de ensemble selectivo, elms, gasen, robustez, pool de candidatos, diferentes grupos de ensemble, datos mixtos dimensionales, máquina de aprendizaje extremo, velocidad de aprendizaje rápida
• Keywords:elm, selective ensemble approach, elms, gasen, robustness, candidate pool, different ensemble groups, dimensional blended data, extreme learning machine, rapid learning speed