检索结果

Select

1. 宽度学习系统中鲁棒性权值矩阵组合的筛选方法

汪韩, 万源, 王东, 丁义明

《计算机应用》唯一官方网站 2024, 44 (10): 3032-3038. DOI: 10.11772/j.issn.1001-9081.2023101422

摘要（126）

HTML （2）

PDF （3288KB）（41）

宽度学习系统（BLS）具有出色的计算效率和预测准确性；然而，在传统BLS框架中，权值矩阵采用随机生成的方式，存在学习结果不稳定的风险。因此，设计一种BLS中鲁棒性权值矩阵组合的筛选方法（RWS-BLS）。首先，通过4组函数数据的验证，揭示随机权值矩阵在样本整体训练误差上的显著差异性；其次，研究权值矩阵组合的形式，放宽筛选条件的严格最优限制，将最优转换为较优，并将误差最小值限定在指定范围内，定义精英组合等条件；最后，得到可靠的权值矩阵的组合，有效降低随机性影响，并建立稳健的模型。实验结果表明，在16组模拟数据、NORB数据集和5组UCI回归数据集上，在数据更换或受噪声扰动的情况下，与BLS方法相比，所提方法的均方误差（MSE）下降了7.32%、8.73%和1.63%。RWS-BLS为BLS提供了一种模型平稳性研究的方向，提高了含有随机参数模型的效率和稳定性，并对涉及随机参数的其他机器学习方法具有借鉴作用。

图表 | 参考文献 | 相关文章 | 多维度评价

Select

2. 基于隐藏层输出矩阵的极限学习机算法优化

孙浩艺, 王传美, 丁义明

计算机应用 2021, 41 (9): 2481-2488. DOI: 10.11772/j.issn.1001-9081.2020111791

摘要（431）

PDF （1706KB）（536）

针对极限学习机（ELM）中隐藏层到输出层存在误差的问题，通过分析发现误差来源于求解隐藏层输出矩阵 H的Moore-Penrose广义逆矩阵 Η ^†的过程，即矩阵 H ^† H与单位矩阵有偏差，可根据偏差的程度来选择合适的输出矩阵 H以获得较小的训练误差。根据广义逆矩阵和辅助矩阵的定义，首先确定了目标矩阵 H ^† H和误差指标L21范数，其次通过实验分析表明 H ^† H的L21范数与ELM的误差呈显著线性相关，最后通过引入Gaussian滤波对目标矩阵进行降噪处理，由此有效降低了目标矩阵的L21范数，同时降低了ELM的误差，达到优化ELM算法的目的。

参考文献 | 相关文章 | 多维度评价

Select

3. 微博社交网络的对称程度实证分析

康泽东余旌胡丁义明

计算机应用 2014, 34 (12): 3405-3408.

摘要（236）

PDF （811KB）（708）

Twitter和Sina微博注册用户构成关注关系社交网络,运用一种对称程度来研究其对称性随社交圈子规模变化的规律。首先根据收集的100万条新浪用户之间的关注关系和236个Twitter用户及其之间的关注关系来构建初始社交网络,选取其中具有明显对称性的连通子网络作为研究的主要对象,通过去除法得到:影响社交网络最大连通子网络对称性的主要因素是大V用户和可忽略用户。其次,采用比较分析法得出Twitter的大V用户构成的社交子网络对称性较强。最后,从功能定位方面分析了两种微博的不同；通过对初始网络的所有连通子网络的对称程度的研究,得出社交圈规模越小、相应的对称性越强的结论。

参考文献 | 相关文章 | 多维度评价