基于截断2-范数损失函数的鲁棒极限学习机

在前馈神经网络学习中,极限学习机(Extreme Learning Machine,ELM)具有高效快速的优势.然而ELM采用的2-范数损失函数在许多实际应用中受异常值影响较大.文章采用截断思想,将2-范数损失函数进一步改进为能够限定最大损失为常数的截断2-范数损失函数,构建了基于截断2-范数损失函数的鲁棒ELM模型,依此来抑制噪声和异常值对模型的影响.采用拉格朗日乘子法和迭代重赋权算法对模型进行求解.最后在UCI数据集和实际风速数据集上验证所提出模型的有效性.实验结果表明,与现有回归算法相比该模型在噪声条件下表现出较大的优势,尤其是在添加了高斯噪声后的波士顿房价数据集上预测精度提高了25.42％.