文献

J-GLOBAL ID：201802291631693404   整理番号：18A1509350

改良MOPSO-ELMに基づくカオス時系列予測【JST・京大機械翻訳】

Chaotic Time Series Prediction Based on Improved MOPSO-ELM

著者 (3件)： Xu Meiling (Dalian University of Technology, Faculty of Electronic Information and Electrical Engineering, Dalian, Liaoning, 116024, China) ,  Li Xin (Dalian University of Technology, Faculty of Electronic Information and Electrical Engineering, Dalian, Liaoning, 116024, China) ,  Han Min (Dalian University of Technology, Faculty of Electronic Information and Electrical Engineering, Dalian, Liaoning, 116024, China)
資料名： IEEE Conference Proceedings  (IEEE Conference Proceedings)
巻： 2018  号： ACC  ページ： 4863-4868  発行年： 2018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： 極端な学習機械は,入力重みと隠れたバイアスをランダムに設定するために注目を集めている。しかし,ELMにおける過剰な隠れニューロンは,Moore-Penrose一般化逆法をニューラルネットワークを訓練するために用いるとき,不適切な問題を引き起こす可能性がある。それは出力重みの大きな振幅を生み出し,それは悪い一般化をもたらす。この問題を解決するために,ELMの出力重みを最適化するための改良多目的粒子群最適化アルゴリズムを提案した。それは2つの目的関数から成る。一つは予測値と目標値間の誤差の和である。もう一つは出力重みのL_2ノルムである。著者らは,新しい解法のエルゴード性とランダム性を促進するために,カオス写像を加えることによって,一般的MOPSOアルゴリズムを改良した。さらに,新しい戦略を提案して,複数の目的の不均衡を扱うために,最良で最も良いものを選択した。2つのベンチマークカオス時系列を予測する実験結果は,提案したアルゴリズムの効率と有効性を維持した。それは,元のELMと他の進化的ELMより良い一般化性能とより小さい出力重みを持っている。Copyright 2018 The Institute of Electrical and Electronics Engineers, Inc. All rights reserved. Translated from English into Japanese by JST.【JST・京大機械翻訳】

シソーラス用語： 最適化 ,  エルゴード性 ,  ニューロン ,  ベンチマーク ,  バイアス ,  アルゴリズム ,  目的関数 ,  ニューラルネットワーク ,  *予測 ,  ノルム
準シソーラス用語： 不均衡 ,  カオス写像 ,  目標値 ,  予測値 ,  粒子群最適化 , 【Automatic Indexing@JST】

分類 (5件)： 音声処理  (JE05000E) ,  符号理論  (ND02030R) ,  図形・画像処理一般  (JE04010I) ,  専用演算制御装置  (JC04030Y) ,  パターン認識  (JE07000S)

タイトルに関連する用語 (4件)： MOPSO ,  ELM ,  カオス ,  時系列予測