基于Frobenius和$L_{2,1}$范数的多输出宽度学习系统
CSTR:
作者:
作者单位:

1. 中国矿业大学 人工智能研究院,江苏 徐州 221116;2. 中国矿业大学 信息与控制工程学院,江苏 徐州 221116

作者简介:

通讯作者:

E-mail: chufeizhufei@sina.com.

中图分类号:

TP273

基金项目:

国家自然科学基金项目(61973304,61873049,62073060);江苏省自然科学基金项目(BK20191339);江苏省第十六届“六大人才高峰”高层次人才选拔培养项目(DZXX-045);中国矿业大学研究生创新计划项目(2022WLJCRCZL109);中央高校基本科研业务费专项资金项目(2019XKQYMS64).


Multi-output broad learning system based on Frobenius and $L_{2,1
Author:
Affiliation:

1. Artificial Intelligence Research Institute,China University of Mining and Technology,Xuzhou 221116,China;2. School of Information and Control Engineering, China University of Mining and Technology,Xuzhou 221116,China

Fund Project:

  • 摘要
  • |
  • 图/表
  • |
  • 访问统计
  • |
  • 参考文献
  • |
  • 相似文献
  • |
  • 引证文献
  • |
  • 资源附件
  • |
  • 文章评论
    摘要:

    宽度学习系统(broad learning system,BLS)因其特征提取能力强、计算效率高而被广泛应用于众多领域.然而,目前BLS主要用于单输出回归,当BLS存在多个输出时,BLS无法有效发掘多个输出权重之间的相关性,会导致模型预测性能的下降.鉴于此,通过Frobenius和$L_{2,1

    Abstract:

    Broad learning systems(BLS) have been widely used in many fields because of its strong feature extraction ability and high computational efficiency. However, the BLS is mainly used for single-output regression at present, When the BLS has multi-outputs, it cannot effectively explore the correlation between multi-output weights, which will lead to the degradation of model prediction performance. Therefore, by introducing the Frobenius and $L_{2,1

    参考文献
    相似文献
    引证文献
引用本文

褚菲,卢新宇,苏嘉铭,等.基于Frobenius和$L_{2,1}$范数的多输出宽度学习系统[J].控制与决策,2023,38(10):2919-2924

复制
分享
文章指标
  • 点击次数:
  • 下载次数:
  • HTML阅读次数:
  • 引用次数:
历史
  • 收稿日期:
  • 最后修改日期:
  • 录用日期:
  • 在线发布日期: 2023-09-19
  • 出版日期: 2023-10-20
文章二维码