چکیده فارسی :

در این مقاله، یک الگوریتم یادگیری متوالی جدید با ترکیب کردن یادگیری ماشین حدی متوالی آنلاین (OS-ELM) و رگرسیون فیلتر کالمن ساخته شده است. یادگیری ماشین حدی متوالی آنلاین کالمن (KOSELM) مسئله‌ی چند خطی OS-ELM را حل می‌کند، که می تواند پیش بینی ضعیف و مدل‌های ناپایداری را تولید نماید. KOSELM داده های آموزشی را یک به یک یا تکه به تکه با تنظیم واریانس وزن‌های خروجی از طریق فیلتر کالمن، می آموزد. عملکرد الگوریتم ارائه شده بر روی مجموعه داده‌ها‌ی رگرسیون معیار، اعتبارسنجی شده است و نتایج نشان می‌دهد که KOSELM  می تواند دقت آموزش بهتری را نسبت به OS-ELM و الحاقات مربوط به آن، ارائه نماید. اعتبار سنجی آماری در مورد تفاوت دقت برای تمام الگوریتم ها انجام شده است، و نتایج تایید می‌کنند که KOSELM پایداری بهتری نسبت به ReOS-ELM، TOSELM و LS-IELM دارا می‌باشد.

کلمات کلیدی: آموزش متوالی آنلاین ، یادگیری ماشین حدی ، یادگیری ماشین آنلاین متوالی حدی ، رگرسیون فیلتر کالمن ، چند خطی

چکیده انگلیسی:

In this paper, a new sequential learning algorithm is constructed by combining the Online Sequential Extreme Learning Machine (OS-ELM) and Kalman filter regression. The Kalman Online Sequential Extreme Learning Machine (KOSELM) handles the problem of multicollinearity of the OS-ELM, which can generate poor predictions and unstable models. The KOSELM learns the training data one-by-one or chunk-by-chunk by adjusting the variance of the output weights through the Kalman filter. The performance of the proposed algorithm has been validated on benchmark regression datasets, and the results show that KOSELM can achieve a higher learning accuracy than OS-ELM and its related extensions. A statistical validation for the differences of the accuracy for all algorithms is performed, and the results confirm that KOSELM has better stability than ReOS-ELM, TOSELM and LS-IELM.

Keywords : Online sequential learning ; Extreme learning machine ; Online Sequential Extreme Learning Machine ; Kalman filter regression ; Multicollinearity