基于自适应在线极限学习机模型的预测方法 |
| |
引用本文: | 徐勇,王东,张慧.基于自适应在线极限学习机模型的预测方法[J].统计研究,2016(7):103-109. |
| |
作者姓名: | 徐勇 王东 张慧 |
| |
作者单位: | 1. 安徽财经大学管理科学与工程学院;2. 安徽财经大学 |
| |
基金项目: | 国家社会科学基金规划项目,安徽省自然科学基金,教育部人文社会科学研究规划基金 |
| |
摘 要: | 本文针对单个在线极限学习机输出不稳定的情况,提出一种自适应集成在线极限学习机算法(ASE-OSELM).算法首先初始化多个在线极限学习机模型,然后根据到达的每一批次数据的训练误差及其方差自适应地调整各个在线极限学习机的集成权重,并动态删除那些小于设定阈值的模型以提高算法的训练速度,最后选择准确度高、泛化能力好的模型用于集成预测.通过函数拟合、UCI数据集以及真实股价预测实验表明,文中提出的ASE-OSELM算法相比传统的OSELM、LS-SVM和BPNN算法具有更高的预测准确度和抗干扰能力.
|
关 键 词: | 人工神经网络 自适应集成 选择性集成 在线极限学习机 |
Study on Prediction Method Based on Adaptive Ensemble Online Sequential Extreme learning machine |
| |
Abstract: | |
| |
Keywords: | |
本文献已被 万方数据 等数据库收录! |
|