买专利卖专利找龙图腾，真高效！ 查专利查商标用IPTOP,全免费！专利年费监控用IP管家,真方便！

申请/专利权人：中南大学

摘要：涉及计算机技术领域，尤其涉及基于无限混合高斯分布的多极限学习机模型的构建方法、装置及计算机设备。本发明通过建立多极限学习机模型MELM，使用无限混合高斯分布IMoG来拟合模型MELM的回归误差，采用稀疏贝叶斯学习方法来优化模型MELM中的输出权重和模型权重，同时采用变分贝叶斯的方法对模型中所有参数进行优化，获得一个紧致的预测模型，预测效果良好，不仅具有超强的鲁棒性能，可以避免预先确定MoG中单个高斯分布的数量，并且在给定模型参数初始值的情况下可以自动获得模型中所有参数的概率分布。

主权项：1.一种多极限学习机模型构建方法，其特征在于，具体包括：获取多个含有不同隐含层节点数的单极限学习机模型，并赋予所述单极限学习机模型权重值，构建多极限学习机模型；所述多极限学习机模型包括输出值向量，模型权值向量和误差项；在贝叶斯框架下，根据截棍构建理论构建所述误差项的分布权重，获取误差项无限混合高斯分布；获取用户给定的输出权值向量和模型权值向量，获得所述输出权值向量和模型权值向量的稀疏先验分布；根据所述误差项混合高斯分布、输出权值向量和模型权值向量的稀疏先验分布获得数据和所述多极限学习机模型中参数集合的联合概率；以及将所述联合概率中的参数采用变分贝叶斯方法推断，获得所述的多极限学习机模型参数的后验分布；基于历史时间段的交通流数据，利用所述多极限学习机模型进行预测，得到预测时间段的交通流；其中，所述在贝叶斯框架下，根据截棍构建理论构建所述误差项的分布权重，获取误差项无限混合高斯分布具体包括：在贝叶斯框架下，引入指标变量zik，误差项的混合高斯分布可表示为： 所述zi＝{zi1，…，ziK}，表示高斯概率分布函数，π＝{π1，…，πK}，πk＞0是每个分布的权重，τk是高斯分布的精度参数，表示多项式分布，εi表示与第i个样本相对应的回归误差项，K表示混合高斯分布中高斯分布的个数；根据截棍构建理论来重构分布权重π： 所述是Beta分布的概率密度函数，δ表示Beta分布中的参数，表示Gamma分布的概率密度函数，e0，f0是Gamma分布的参数，θθk表示第k次从剩余棍子长度中截取的比例，θθ表示由所有θθk所构建的向量；获得误差项的无限混合高斯分布。

全文数据：

权利要求：

百度查询： 中南大学 一种多极限学习机模型构建方法、装置及计算机设备