文献

J-GLOBAL ID：201702262197392121   整理番号：17A1394435

改良された極端学習マシンに基づく多変数カオス時系列予測【Powered by NICT】

Multivariate chaotic time series prediction based on improved extreme learning machine

著者 (4件)： Zhang Ruiquan (Department of Electronic Information and Electrical Engineering, Dalian University of Technology, Liaoning 116024) ,  Xu Meiling (Department of Electronic Information and Electrical Engineering, Dalian University of Technology, Liaoning 116024) ,  Han Min (Department of Electronic Information and Electrical Engineering, Dalian University of Technology, Liaoning 116024) ,  Li Hongxing (Department of Electronic Information and Electrical Engineering, Dalian University of Technology, Liaoning 116024)
資料名： IEEE Conference Proceedings  (IEEE Conference Proceedings)
巻： 2017  号： CCC  ページ： 4006-4011  発行年： 2017年 
JST資料番号： W2441A  資料種別： 会議録 (C)
記事区分： 原著論文  発行国： アメリカ合衆国 (USA)  言語： 英語 (EN)

抄録/ポイント： 極端学習機械(ELM)では,適切な数の隠れ層ノードのELMの予測性能に大きな影響を及ぼすを選択することは困難である。予測への多数の隠れ層ノードの影響を克服し,ELMの予測性能を向上させるために,改良されたELMは,潜在構造(O PLS)法への直交射影に基づいて提案した。改良ELMは二段階を含んでいる。ELMの隠れ層は入力変数のための非線形マッピングを構築し,出力行列Hを得るために使用されている,bidden層ノードの数はランダム帰属できた。O-PLSは線形回帰を構築した。最小二乗回帰(LSR)と比較して,O-PLSは効果的に高次元を減少させ,H間の多重共線性,不適切な数の隠れ層ノードのによって引き起こされるを克服することができる。黄河時系列のLorenz時系列と太陽黒点流出に基づくシミュレーション実験結果は,改良されたELMは効果的に予測性能に隠れ層ノードの影響を克服し,ELMの安定性性能と予測性能を改善することができることを示した。Copyright 2017 The Institute of Electrical and Electronics Engineers, Inc. All Rights reserved. Translated from English into Japanese by JST【Powered by NICT】

シソーラス用語： 最小二乗法 ,  太陽黒点 ,  *学習 ,  高次元 ,  シミュレーション ,  *予測 ,  多重化
準シソーラス用語： 線形回帰 ,  直交射影 ,  予測性能 ,  隠れ層 ,  極度学習機械 ,  *カオス時系列 ,  *多変量 , 【Automatic Indexing@JST】

分類 (2件)： 人工知能  (JE08000Z) ,  ニューロコンピュータ  (JC06010Q)

タイトルに関連する用語 (5件)： 学習 ,  マシン ,  多変数 ,  カオス ,  時系列予測