2023-05-10计算机应用,JournalofComputerApplications2023,43(5):1342-1348ISSN1001-9081CODENJYIIDUhttp：//www.joca.cn迭代修正鲁棒极限学习机吕新伟1，2，鲁淑霞1，2*（1.河北省机器学习与计算智能重点实验室（河北大学），河北保定071002；2.河北大学数学与信息科学学院，河北保定071002）（∗通信作者电子邮箱cmclusx@126.com）摘要：极限学习机（ELM）的许多变体都致力于提高ELM对异常点的鲁棒性，而传统的鲁棒极限学习机（RELM）对异常点非常敏感，如何处理数据中的过多极端异常点变成构建RELM模型的棘手问题。对于残差较大的异常点，采用有界损失函数消除异常点对模型的污染；为了解决异常点过多的问题，采用迭代修正技术修改数据以降低由异常点过多带来的影响。结合这两种方法，提出迭代修正鲁棒极限学习机（IMRELM）。IMRELM通过迭代的方式求解，在每次的迭代中，通过对样本重加权减小异常点的影响，在不断修正的过程中避免算法出现欠拟合。在具有不同异常点水平的人工数据集和真实数据集上对比了IMRELM、ELM、加权极限学习机（WELM）、迭代重加权极限学习机（IRWELM）和迭代重加权正则化极限学习机（IRRELM）。在异常点占比为80%的人工数据集上，IRRELM的均方误差（MSE）为2.45044，而IMRELM的MSE为0.00079。实验结果表明，IMRELM在具有过多极端异常点的数据上具有良好的预测精度和鲁棒性。关键词：鲁棒极限学习机；重加权；迭代修正；异常点；回归中图分类号：TP181；TP391文献标志码：AIterativelymodifiedrobustextremelearningmachineLYUXinwei1，2，LUShuxia1，2*（1.HebeiKeyLaboratoryofMachineLearningandComputationalIntelligence（HebeiUniversity），BaodingHebei071002，China；2.CollegeofMathematicsandInformationScience，HebeiUniversity，BaodingHebei071002，China）Abstract:ManyvariationsofExtremeLearningMachine（ELM）aimatimprovingtherobustnessofELMstooutliers，whilethetraditionalRobustExtremeLearningMachine（RELM）isverysensitivetooutliers.HowtodealwithtoomanyextremeoutliersinthedatabecomesthemostdifficultproblemforconstructingRELMmodels.Foroutlierswithlargeresiduals，aboundedlossfunctionwasusedtoeliminatethepollutionofoutlierstothemodel；tosolvetheproblemofexcessiveoutliers，iterativemodificationtechniquewasusedtomodifydatatoreducetheinfluencecausedbyexcessiveout...
