[发明专利]一种基于预界机制的在线加权极限学习机方法在审
| 申请号： | 201810593832.7 | 申请日： | 2018-06-11 |
| 公开（公告）号： | CN108875961A | 公开（公告）日： | 2018-11-23 |
| 发明（设计）人： | 宋允全;宋晓欣;梁锡军;渐令 | 申请（专利权）人： | 中国石油大学（华东） |
| 主分类号： | G06N99/00 | 分类号： | G06N99/00;G06N3/04;G06K9/62 |
| 代理公司： | 暂无信息 | 代理人： | 暂无信息 |
| 地址： | 266580 山*** | 国省代码： | 山东;37 |
| 权利要求书： | 查看更多 | 说明书： | 查看更多 |
| 摘要： | 本发明涉及一种基于预界机制的在线加权极限学习机方法，首先确定预界取值，在训练集上选择有效向量构造初始有效向量集合，利用加权机制建立加权极限学习机模型，并采用矩阵校正技术和Sherman‑Morrison‑Woodbury公式更新加权极限学习机模型得到在线预测器，从而实现对应用场景中出现的类别不平衡数据流的在线预测。该方法采用固定的预界机制，能够有效防止信息溢出，进而精确控制在线学习模型的规模。本发明在线学习方法，能够灵活有效处理类别不平衡和概念漂移同时发生的应用问题。此外，数据可通过数据块的形式进行采集，进一步降低了方法的计算复杂度，拓宽了模型的应用范围，可有效服务于具概念漂移特性的类别不平衡数据在线预测任务的实施。 | ||
| 搜索关键词： | 极限学习机 加权 在线预测 漂移 有效向量 在线学习 计算复杂度 加权机制 矩阵校正 应用场景 应用问题 有效处理 有效服务 数据流 固定的 数据块 训练集 溢出 集合 采集 灵活 更新 应用 | ||
【主权项】：
1.一种基于预界机制的在线加权极限学习机方法，其特征在于：含有以下步骤：(一)确定预界取值，对样本进行归一化处理。(二)按照预界随机初始化有效样本集合(active set)，建立Weighted ELM模型，通过Weighted ELM模型的KKT条件，对模型进行求解，得到分类器。(三)以mini‑batch的形式采集数据流，采用分类器对数据流中的样本进行分类。(四)将错误分类样本加入有效样本集合(active set)，并按照最大值判定准则从有效样本集合中剔除相应数量样本，维持预界。(五)利用矩阵校正技术以及Sherman‑Morrison‑Woodbury公式更新Weighted ELM模型，得到在线分类器，通过在线分类器对数据流进行在线预测。
下载完整专利技术内容需要扣除积分，VIP会员可以免费下载。
该专利技术资料仅供研究查看技术是否侵权等信息，商用须获得专利权人授权。该专利全部权利属于中国石油大学（华东），未经中国石油大学（华东）许可，擅自商用是侵权行为。如果您想购买此专利、获得商业授权和技术合作，请联系【客服】
本文链接：http://www.vipzhuanli.com/patent/201810593832.7/，转载请声明来源钻瓜专利网。
