[发明专利]一种正交增量的随机配置网络建模方法

权利要求书

1.一种正交增量的随机配置网络建模方法，其特征在于，包括以下步骤：

步骤一，初始化正交随机配置网络学习所需要的参数，构造正交形式的监督机制，将满足约束的隐层节点选为新增候选节点；

步骤二，从上述新增候选节点中找出最佳隐层参数，最佳节点输出转化为其对应的最佳正交向量，并构造地评估输出权值。

2.根据权利要求1所述的正交增量的随机配置网络建模方法，其特征在于，所述步骤一包括：

给定N个样本，其中样本输入X＝{x₁,x₂,…,x_N},样本输出为T＝{t₁,t₂,…,t_N},初始化正交随机配置网络学习所需要的参数，包括最大隐层节点数L_max、最大配置次数T_max、期望容差ε、范围参数λ、隐层参数随机配置范围Υ:＝{λ_min:Δλ:λ_max}、一个极小的正数σ、初始残差e₀＝T、激活函数g(x)，当前网络隐层节点数L＝1,2,3,…,L_max；

加入第L个节点时，给定一个非负序列r_L,0＝L/(L+1)，令序列μ_L,0＝(1-r_L,0)/(L+1)；在可调范围[-λ_min,λ_min]内随机生成T_max对隐层参数，即输入权值w_L和偏置b_L；

构造隐层节点的正交监督机制：

ξ_L,q＝e_L-1,q,v_L²/||v_L||²-(1-r_L,0-μ_L,0)||e_L-1,q||²,q＝1,2,…,m；

其中，e_L-1为上一次迭代的残差，v_L是第L次迭代中满足∥v_L∥σ的新增节点正交向量，其计算形式如下：

节点隐层输出T为矩阵或向量的转置；

计算该节点的正交向量：

若L＝1，v₁＝h₁；

若L1，

如果此节点满足min{ξ_L,1,ξ_L,2,…,ξ_L,m}≥0，则将其选为候选节点。

3.根据权利要求1所述的正交增量的随机配置网络建模方法，其特征在于，所述步骤二包括：

将上述候选节点代入得到

其中ξ_L,q＝e_L-1,q,v_L²/||v_L||²-(1-r_L,0-μ_L,0)||e_L-1,q||²,q＝1,2,…,m；

找出使ξ_L最大的一组隐层参数，即为满足正交监督机制的最佳隐层参数，包括最佳输入权值w_L^*，最佳偏置b_L^*和最佳正交向量v_L^*，此时的v_L^*作为网络隐层的后续输出参数；

若前i(i＝1,2,…,((λ_max-λ_min)/Δλ)-1)轮T_max均未找到满足条件的最佳隐层参数，则自动更新序列：

其中τ_i∈(1/2(1-r_L,i-1),1-r_L,i-1)，返回步骤一，更新序列μ_L,i＝(1-r_L,i)/(L+1)，在下一个配置范围内重新生成候选节点；

若第(λ_max-λ_min)/Δλ轮T_max，即[-λ_max,λ_max]范围内，仍未找到满足条件的最佳隐层参数，则需适当扩大配置范围；

根据当前隐层输出向量计算其输出权值为：

β_L＝[β_L,1,β_L,2,…,β_L,q,…,β_L,m]_1×m，

其中

当前网络的输出权值：

此时网络残差为：e_L＝e_L-1-v_L^*β_L；

当网络隐层节点数超过给定最大隐层节点数或当前迭代中的残差满足期望容差时，不再增加新节点，建模完成，得到正交增量随机配置网络；否则，返回步骤一，继续构造模型。