基于模糊理論ELM算法優化研究

黃吉聰

【摘要】 ELM算法優化研究是目前研究的重點. ELM是神經網絡的一種，伴隨著計算機技術的發展，大部分數學建模系統通過采用一種新的探索方法—信息數據挖掘模糊理論數學建模分析. 將該模型應用于數據挖掘模糊理論數學建模分析算法，尤其是個性化數據挖掘模糊理論是十分合理的. 【關鍵詞】 ELM優化 數學建模分析；數據挖掘模糊理論

1. 引 言

本文通過單隱藏神經網絡進行基于數據挖掘模糊理論ELM算法優化研究. 下圖描繪的是其整體結構，ELM是神經網絡的一種，神經網絡是單層網絡的一種.

神經網絡的激活函數為：

f（x） = ■（0 < f（x） < 1），通過運算求出最終值.

2. 數學建模數據挖掘模糊理論

神經網絡的輸入輸出{（xj，yj）}■■，xj = [xj1，xj2，…，xjd]T∈Rd，N表示樣本的總數，d表示x分量的維度，yj = [yj1，yj2，…，yjm]T∈Rm，m表示y分量維度上式中，βi為輸出權值向量，ai為輸入權值向量，oj為與Yj相對應的實際輸出向量，bj為偏置.

下圖描繪的是其整體結構，ELM是神經網絡的一種，神經網絡是單層網絡的一種，本圖為文獻[2]中理論：

最終將優化的誤差如下所示：■||oj - tj|| = 0.

最小化損失函數，E = ■（■βig（xi，ai，bi）-tj）.

根據最小二乘原理：■=H+T，H+為H的廣義逆矩陣. 通過訓練神經網絡建立數據模型.

3. 改進數據挖掘模糊理論方法

將樣本非結構化數據復制兩份，即數據量由N變成2*N，分別以不同的概率屬于不同的類別. 非結構化數據集由

{xj，yj}，for j=1，…，N

變成{xj，yj，uj}，for j = 1，…，N，{xj-yj，1-uj}，for j = 1，…，N

最小化：L的前面是模型復雜度，后面是加權后的經驗數學建模，u為權值. e為誤差. 換成拉格朗日乘子

L=■wTw + Gu■■||ej||2 + C（1 - u）■■||ηj||2 - ■αj（wT？準（xj） + b - 1 + e） - ■rj（wT？準（xj） + B + 1 - η），

αj，rj是二倍樣本的數據集，得出的拉格朗日乘子.（w，b，e，η，αj，rj）表示拉格朗日系數，和誤差值. 通過求（w，b，e，η，αj，rj）偏微分，雙加權ELM分類目標：

sign（wT？準（xj） + b）=sign（■（αj - rj）K（x，xj） + b），

神經網絡輸出權值為：

■=HT■ + HTH-1（2w - 1）T.

4. 數據分析

本文通過貝葉斯，ELM以及神經網絡對比ELM算法優化研究的預測精度. 從本文實例數據分析看出4個數學建模預測數據集中神經網絡預測精度最高. 改進的對數學建模預測更高.

【參考文獻】

[1]吳琳. 當前企業ELM優化中存在的問題及對策[J]. 財經界（學術版）. 2013（19）.

[2]譚心純. 中小企業ELM優化的數學建模控制及對策[J]. 行政事業資產與. 2013（12）.