对不确定数据建模的改进贝叶斯随机向量泛函链接网络.doc

对不确定数据建模的改进贝叶斯随机向量泛函链接网络本文提出了一个针对不确定数据建模,结合随机向量泛函链接网络的完全贝叶斯模型,即IB-RVFL。和已有的工作相比,我们在基函数的参数上也定义了先验分布。通过在训练过程中引入额外的先验知识,不仅模型的学习能力得到提高,而且针对基本的RVFL模型中对随机参数确定问题的困难性和重要性,提供了一个有效的解决方案。变分推断方法被用来快速地得到一个复杂后验分布的近似,这有助于完成超参数的自动推断,并且得到预测结果的概率估计。我们主要从两方面进行了实验,一是通过在训练集中添加不同程度的噪音,观察算法的鲁棒性。实验结果表明,和其它两种鲁棒性算法相比,改进贝叶斯随机向量泛函链接网络(IB-RVFL)对噪音更不敏感,在全部实验中预测的准确性都优于其他两种算法。二是通过在八个不同回归数据集上进行实验,并和其它五种算法对比,观察算法的性能。实验结果表明,IB-RVFL算法在全部数据集上都表现较好。