【出 处】：《 计算机仿真 》 CSCD 2014年第31卷第8期 387-391页,共5页

【作 者】： 王礼云 ; 毛文涛 ; 胡武鹏

【摘 要】 为了克服极限学习机输入权重与偏置的随机性对模型泛化能力的负面影响,提出一种基于多目标优化的极限学习机模型选择方法将极限学习机模型选择视为一个多目标全局优化问题,可将泛化误差和输出权重的模作为优化目标;为加快优化速度,引入极限学习机的快速留一法误差估计指代泛化误差,并考虑到优化目标间的互斥性,最终采用多目标综合学习粒子群算法寻找非支配解。通过5个UCI回归数据集上的仿真结果表明,与常用极限学习机模型选择方法相比,改进方法均取得更低的预测误差,同时网络结构更加紧凑。