基于極限學(xué)習(xí)機(jī)的不確定數(shù)據(jù)分類算法.pdf

1、現(xiàn)有的分類算法被廣泛應(yīng)用于數(shù)值唯一的數(shù)據(jù)分類問題。然而，在許多真實(shí)應(yīng)用中普遍存在數(shù)值服從某種分布的不確定數(shù)據(jù)，如果使用傳統(tǒng)的分類算法對不確定數(shù)據(jù)進(jìn)行分類，那么極有可能會(huì)給出錯(cuò)誤的結(jié)果。所以，如何正確的分類不確定數(shù)據(jù)，對于現(xiàn)實(shí)應(yīng)用具有極其重要的研究價(jià)值。
　　極限學(xué)習(xí)機(jī)是針對單層前饋神經(jīng)網(wǎng)絡(luò)的優(yōu)化算法，對于確定數(shù)據(jù)是一個(gè)強(qiáng)有力的分類算法，但是還不能用于分類不確定數(shù)據(jù)。目前已經(jīng)有研究使用極限學(xué)習(xí)機(jī)處理不確定數(shù)據(jù)，該類算法使用期望值和抽

2、樣點(diǎn)對不確定數(shù)據(jù)進(jìn)行建模，通過投票的方式將其轉(zhuǎn)化為確定數(shù)據(jù)的分類問題。這類方法會(huì)造成不確定數(shù)據(jù)分布信息的丟失問題，而且沒有將不確定數(shù)據(jù)的分布信息整合到極限學(xué)習(xí)機(jī)框架中，不能很好的處理數(shù)據(jù)的不確定性。
　　針對上面所提到的問題，本文研究出了一種新穎的基于極限學(xué)習(xí)機(jī)的不確定數(shù)據(jù)分類算法UELM。首先，UELM使用概率密度函數(shù)（PDF）替代期望值和抽樣點(diǎn)的方法來對不確定數(shù)據(jù)進(jìn)行建模，這種做法有效避免了期望值和抽樣點(diǎn)方法帶來的不確定信息（