[发明专利]一种基于精度的宽度学习动态节点调整方法

权利要求书

1.一种基于精度的宽度学习动态节点调整方法，其特征在于，包括以下步骤：

S1、设置初始映射特征节点和增强节点个数、预设精度和迭代次数，基于该三个参数建立宽度学习模型；

S2、判断模型精度是否达到预设终止条件，若是，则输出模型训练和测试属性；若否，则进入步骤S3；

S3、根据宽度学习模型的精度和预设精度计算需要增加的增强节点数量；

S4、增加增强节点数量，并基于新的增强节点数量构建新的宽度学习模型，跳转至步骤S2。

2.根据权利要求1所述的一种基于精度的宽度学习动态节点调整方法，其特征在于，步骤S1中，预设精度具体包括预设训练精度和预设测试精度；

预设训练精度用于计算增强节点调整个数；预设测试精度用于计算增强节点调整个数和判断迭代是否终止。

3.根据权利要求1所述的一种基于精度的宽度学习动态节点调整方法，其特征在于，步骤S2中，终止条件包括两种情况，具体为测试精度达到预设测试精度和迭代次数达到预设的最大次数。

4.根据权利要求1所述的一种基于精度的宽度学习动态节点调整方法，其特征在于，步骤S1中，建立宽度学习模型具体包括以下步骤：

初始化模型参数，模型参数包括映射特征组个数、组内特征个数以及增强节点个数；

利用模型输入X，计算特征映射节点Zⁿ≡[Z₁,Z₂,…,Z_n]，该过程是一个线性映射，其中第i组映射特征Z_i的计算如公式(1)，连接权重W_ei和β_ei是随机产生的，为线性映射，每一组特征包含k个映射特征；

为了增加模型中特征的非线性，由映射节点Zⁿ计算增强节点H^m≡[H₁,H₂,…,H_m]，该过程是一个非线性映射，其中增强特征H_j的计算如公式(2)，连接权重W_hj和β_hj是随机产生的，ζ(Z,W_hj,β_hj)为一个非线性激活函数；

H_j≡ζ(ZⁿW_hj+β_hj),j＝1,2,…,m (2)

所述映射节点表示数据的线性特征，所述增强节点表示数据的非线性特征；

将线性特征和非线性特征合并成特征层A＝[Z|H]，连接到模型输出层Y；

由于模型输出层Y的信息已知，即数据对应的类别，只需计算特征层和输出层的连接权重W即可，计算公式如下：

W＝A^-1Y (3)

计算时，使用岭回归来求解权值矩阵，即通过公式(3)的优化问题求解W：

其中，σ₁＝σ₂＝v＝u＝2，解得：

W＝(λI+AA^T)^-1A^TY(5)。