基于Vapnik-Chervonenkis泛化界的极限学习机模型复杂性控制

• 作者: 刘学艺 宋春跃 李平
• 来源期刊: 控制理论与应用
• 学科: 工学
• 关键词: VC泛化界 模型复杂性 极限学习机 小样本 实际预测风险
• 年，卷（期）: 2014,（5）
• 所属期刊栏目: 论文与报告
• 页码范围: 644-653
• 页数: 10页
• 分类号: TP18
• 字数: 8757字
• 语种: 中文
• DOI: 10.7641/CTA.2014.20428

摘要

模型复杂性是决定学习机器泛化性能的关键因素,对其进行合理的控制是模型选择的重要原则.极限学习机(extreme learning machine,ELM)作为一种新的机器学习算法,表现出了优越的学习性能.但对于如何在ELM的模型选择过程中合理地度量和控制其模型复杂性这一基本问题,目前尚欠缺系统的研究.本文讨论了基于Vapnik-Chervonenkis(VC)泛化界的ELM模型复杂性控制方法(记作VM),并与其他4种经典模型选择方法进行了系统的比较研究.在人工和实际数据集上的实验表明,与其他4种经典方法相比,VM具有更优的模型选择性能:能选出同时具有最低模型复杂性和最低(或近似最低)实际预测风险的ELM模型.此外,本文也为VC维理论的实际应用价值研究提供了一个新的例证.

作者信息

序号	姓名	单位	发文数	被引次数	H指数	G指数
1	李平	浙江大学航空航天学院	260	3720	30.0	50.0
5	刘学艺	浙江大学航空航天学院	7	41	4.0	6.0
7	宋春跃	浙江大学工业控制研究所	17	77	4.0	8.0