一種多任務(wù)稀疏貝葉斯極限學(xué)習(xí)機(jī)回歸方法

基本信息

申請(qǐng)?zhí)?/td> CN202010097148.7 申請(qǐng)日 -
公開(kāi)（公告）號(hào) CN111291898B 公開(kāi)（公告）日 2020-12-11
申請(qǐng)公布號(hào) CN111291898B 申請(qǐng)公布日 2020-12-11
分類(lèi)號(hào) G06N20/00;G06N3/04;G06N3/08 分類(lèi) 計(jì)算；推算；計(jì)數(shù);
發(fā)明人 黃永;李惠;高競(jìng)澤 申請(qǐng)（專(zhuān)利權(quán)）人 哈爾濱工業(yè)大學(xué)資產(chǎn)經(jīng)營(yíng)有限公司
代理機(jī)構(gòu) 哈爾濱市陽(yáng)光惠遠(yuǎn)知識(shí)產(chǎn)權(quán)代理有限公司 代理人 孫莉莉
地址 150001 黑龍江省哈爾濱市南崗區(qū)西大直街92號(hào)
法律狀態(tài) -

摘要

摘要 本發(fā)明提出一種多任務(wù)稀疏貝葉斯極限學(xué)習(xí)機(jī)回歸方法，所述方法包括對(duì)于單隱含層神經(jīng)網(wǎng)絡(luò)的輸入層至隱含層的隨機(jī)特征提取、輸出層權(quán)值的多任務(wù)稀疏建模及后驗(yàn)估計(jì)、多任務(wù)稀疏貝葉斯極限學(xué)習(xí)機(jī)參數(shù)和超參數(shù)快速優(yōu)化估計(jì)等。本發(fā)明所述方法采用層次貝葉斯模型對(duì)極限學(xué)習(xí)機(jī)輸出層權(quán)值進(jìn)行多任務(wù)稀疏求解，在保證精度的前提下，裁剪了極限學(xué)習(xí)機(jī)的冗余隱含層神經(jīng)元，得到了更為緊湊的神經(jīng)網(wǎng)絡(luò)，有效的避免了極限學(xué)習(xí)機(jī)的過(guò)擬合現(xiàn)象，并能使隱含層神經(jīng)元個(gè)數(shù)無(wú)須預(yù)先確定。從稀疏貝葉斯學(xué)習(xí)的角度，前端的單隱含層神經(jīng)網(wǎng)絡(luò)可以使稀疏貝葉斯學(xué)習(xí)方法得以應(yīng)用于非線性問(wèn)題。