【技术实现步骤摘要】
本专利技术涉及数据分类，更具体的，涉及：一种基于特征选择的增量宽度学习方法、使用了该方法的增量宽度学习系统。
技术介绍
1、如今，深度学习在各个领域都取得了突破性的进展，尤其是在大规模数据处理方面。但是深度学习由于涉及到许多超参数的迭代调整，大多数深度学习模型的训练过程都很耗时。因此，出现了宽度学习系统(bls)：bls借鉴了随机向量函数连接网络[randomvector functional link neural network(rvflnn)]，因此模型参数可以在不进行迭代的情况下确定，这就使得bls的训练过程快速而且高效。
2、增量宽度学习系统(ibls)是bls的重要模型，其主要分为两个部分：基本宽度学习和增量宽度学习。ibls的结构非常灵活，当输入数据有更新时，ibls可以通过增量算法快速的调整网络，而不需要重新训练整个网络。得益于其中的增量宽度学习，可以不断添加新的中间层映射，提高分类精确度。
3、但是，专利技术人针对ibls进行实验研究发现，现有ibls的学习效率、学习精度依然存在提升空间。专利技...
【技术保护点】
1.一种基于特征选择的增量宽度学习方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的基于特征选择的增量宽度学习方法，其特征在于，步骤二中，所述特征选择的方法包括但不限于：卡方验证法、方差选择法、相关系数法。
3.根据权利要求2所述的基于特征选择的增量宽度学习方法，其特征在于，步骤二中，X′＝f(X)；
4.根据权利要求1-3任一项所述的基于特征选择的增量宽度学习方法，其特征在于，步骤三包括：
5.根据权利要求4所述的基于特征选择的增量宽度学习方法，其特征在于，S3.1中，Zi′表示第i组特征映射；其中，表示特征映...
【技术特征摘要】
1.一种基于特征选择的增量宽度学习方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的基于特征选择的增量宽度学习方法，其特征在于，步骤二中，所述特征选择的方法包括但不限于：卡方验证法、方差选择法、相关系数法。
3.根据权利要求2所述的基于特征选择的增量宽度学习方法，其特征在于，步骤二中，x′＝f(x)；
4.根据权利要求1-3任一项所述的基于特征选择的增量宽度学习方法，其特征在于，步骤三包括：
5.根据权利要求4所述的基于特征选择的增量宽度学习方法，其特征在于，s3.1中，zi′表示第i组特征映射；其中，表示特征映射函数；表示随机生成的权重矩阵；表示随机生成的偏置矩阵。
6.根据权利要求5所述的基于特征选...
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。