黃吉聰

【摘要】 ELM算法優(yōu)化研究是目前研究的重點. ELM是神經(jīng)網(wǎng)絡(luò)的一種，伴隨著計算機技術(shù)的發(fā)展，大部分?jǐn)?shù)學(xué)建模系統(tǒng)通過采用一種新的探索方法—信息數(shù)據(jù)挖掘模糊理論數(shù)學(xué)建模分析. 將該模型應(yīng)用于數(shù)據(jù)挖掘模糊理論數(shù)學(xué)建模分析算法，尤其是個性化數(shù)據(jù)挖掘模糊理論是十分合理的. 【關(guān)鍵詞】 ELM優(yōu)化 數(shù)學(xué)建模分析；數(shù)據(jù)挖掘模糊理論

1. 引 言

本文通過單隱藏神經(jīng)網(wǎng)絡(luò)進(jìn)行基于數(shù)據(jù)挖掘模糊理論ELM算法優(yōu)化研究. 下圖描繪的是其整體結(jié)構(gòu)，ELM是神經(jīng)網(wǎng)絡(luò)的一種，神經(jīng)網(wǎng)絡(luò)是單層網(wǎng)絡(luò)的一種.

神經(jīng)網(wǎng)絡(luò)的激活函數(shù)為：

f（x） = ■（0 < f（x） < 1），通過運算求出最終值.

2. 數(shù)學(xué)建模數(shù)據(jù)挖掘模糊理論

神經(jīng)網(wǎng)絡(luò)的輸入輸出{（xj，yj）}■■，xj = [xj1，xj2，…，xjd]T∈Rd，N表示樣本的總數(shù)，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(quán)值向量，ai為輸入權(quán)值向量，oj為與Yj相對應(yīng)的實際輸出向量，bj為偏置.

下圖描繪的是其整體結(jié)構(gòu)，ELM是神經(jīng)網(wǎng)絡(luò)的一種，神經(jīng)網(wǎng)絡(luò)是單層網(wǎng)絡(luò)的一種，本圖為文獻(xiàn)[2]中理論：

最終將優(yōu)化的誤差如下所示：■||oj - tj|| = 0.

最小化損失函數(shù)，E = ■（■βig（xi，ai，bi）-tj）.

根據(jù)最小二乘原理：■=H+T，H+為H的廣義逆矩陣. 通過訓(xùn)練神經(jīng)網(wǎng)絡(luò)建立數(shù)據(jù)模型.

3. 改進(jìn)數(shù)據(jù)挖掘模糊理論方法

將樣本非結(jié)構(gòu)化數(shù)據(jù)復(fù)制兩份，即數(shù)據(jù)量由N變成2*N，分別以不同的概率屬于不同的類別. 非結(jié)構(gòu)化數(shù)據(jù)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(fù)雜度，后面是加權(quán)后的經(jīng)驗數(shù)學(xué)建模，u為權(quán)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(zhǔn)（xj） + b - 1 + e） - ■rj（wT？準(zhǔn)（xj） + B + 1 - η），

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

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

神經(jīng)網(wǎng)絡(luò)輸出權(quán)值為：

■=HT■ + HTH-1（2w - 1）T.

4. 數(shù)據(jù)分析

本文通過貝葉斯，ELM以及神經(jīng)網(wǎng)絡(luò)對比ELM算法優(yōu)化研究的預(yù)測精度. 從本文實例數(shù)據(jù)分析看出4個數(shù)學(xué)建模預(yù)測數(shù)據(jù)集中神經(jīng)網(wǎng)絡(luò)預(yù)測精度最高. 改進(jìn)的對數(shù)學(xué)建模預(yù)測更高.

【參考文獻(xiàn)】

[1]吳琳. 當(dāng)前企業(yè)ELM優(yōu)化中存在的問題及對策[J]. 財經(jīng)界（學(xué)術(shù)版）. 2013（19）.

[2]譚心純. 中小企業(yè)ELM優(yōu)化的數(shù)學(xué)建模控制及對策[J]. 行政事業(yè)資產(chǎn)與. 2013（12）.