基于Cholesky分解的增量式RELM及其在时间序列预测中的应用

• 作者: 张弦 王宏力
• 来源期刊: 物理学报
• 学科: 数学
• 关键词: 神经网络 极端学习机 混沌时间序列 时间序列预测
• 年，卷（期）: 2011,（11）
• 所属期刊栏目: 总论
• 页码范围: 1-6
• 分类号: O241.6
• 语种: 中文

摘要

针对应用于混沌时间序列预测的正则极端学习机（RELM）网络结构设计问题,提出一种基于Cholesky分解的增量式RELM训练算法.该算法通过逐次增加隐层神经元的方式自动确定最佳的RELM网络结构,并以Cholesky分解方式计算其输出权值,有效减小了隐层神经元递增过程的计算代价.混沌时间序列预测实例表明,该算法可有效实现最佳RELM网络结构的自动确定,且计算效率高.利用该算法训练后的RELM预测模型具有预测精度高的优点,适用于混沌时间序列预测.

作者信息

序号	姓名	单位	发文数	被引次数	H指数	G指数
1	张弦	第二炮兵工程学院自动控制工程系	22	319	12.0	17.0
2	王宏力	第二炮兵工程学院自动控制工程系	112	961	15.0	24.0