دانلود ترجمه مقاله روش مبتنی بر فیلتر کالمن برای یادگیری ماشین حدی متوالی آنلاین برای مسائل رگرسیون
ترجمه در قالب فایل Word و قابل ویرایش میباشد
سال انتشار:2015
تعداد صفحه ترجمه:33
تعداد صفحه فایل انگلیسی:10
موضوع انگلیسی :Kalman filter-basedmethodforOnlineSequentialExtremeLearning
Machine forregressionproblems
موضوع فارسی:دانلود ترجمه مقاله روش مبتنی بر فیلتر کالمن برای یادگیری ماشین حدی متوالی آنلاین برای مسائل رگرسیون
چکیده انگلیسی:Inthispaper,anewsequentiallearningalgorithmisconstructedbycombiningtheOnlineSequential
ExtremeLearningMachine(OS-ELM)andKalman filterregression.TheKalmanOnlineSequential
ExtremeLearningMachine(KOSELM)handlestheproblemofmulticollinearityoftheOS-ELM,which
cangeneratepoorpredictionsandunstablemodels.TheKOSELMlearnsthetrainingdataone-by-one
or chunk-by-chunkbyadjustingthevarianceoftheoutputweightsthroughtheKalman filter.The
performanceoftheproposedalgorithmhasbeenvalidatedonbenchmarkregressiondatasets,andthe
resultsshowthatKOSELMcanachieveahigherlearningaccuracythanOS-ELManditsrelated
extensions.Astatisticalvalidationforthedifferencesoftheaccuracyforallalgorithmsisperformed,
andtheresultsconfirmthatKOSELMhasbetterstabilitythanReOS-ELM,TOSELMandLS-IELM
چکیده فارسی:
در این مقاله، یک الگوریتم یادگیری متوالی جدید با ترکیب کردن یادگیری ماشین حدی متوالی آنلاین (OS-ELM) و رگرسیون فیلتر کالمن ساخته شده است. یادگیری ماشین حدی متوالی آنلاین کالمن (KOSELM) مسئله‌ی چند خطی OS-ELM را حل می‌کند، که می تواند پیش بینی ضعیف و مدل‌های ناپایداری را تولید نماید. KOSELM داده های آموزشی را یک به یک یا تکه به تکه با تنظیم واریانس وزن‌های خروجی از طریق فیلتر کالمن، می آموزد. عملکرد الگوریتم ارائه شده بر روی مجموعه داده‌ها‌ی رگرسیون معیار، اعتبارسنجی شده است و نتایج نشان می‌دهد که KOSELM می تواند دقت آموزش بهتری را نسبت به OS-ELM و الحاقات مربوط به آن، ارائه نماید. اعتبار سنجی آماری در مورد تفاوت دقت برای تمام الگوریتم ها انجام شده است، و نتایج تایید می‌کنند که KOSELM پایداری بهتری نسبت به ReOS-ELM، TOSELM و LS-IELM دارا میباشد.
