基于隐特征空间的极限学习机模型选择

？针对极限学习机（elm）中冗余的隐神经元会削弱模型泛化能力的缺点，提出了一种基于隐特征空间的elm模型选择算法。首先，为了寻找合适的elm隐层，在elm中添加正则项，该项为现有隐层空间到低维隐特征空间的映射函数矩阵的frobenius范数；其次，为解决该非凸问题，采用交替优化的策略，并通过凸二次型优化学习该隐空间；最终自适应得到最优映射函数和elm模型。分别采用uci标准数据集和载荷识别工程数据对所提算法进行测试，结果表明，与经典elm相比，该算法可有效提高预测精度和数值稳定性，与现有模型选择算法相比，该算法预测精度相当，但运行时间则大幅降低。