.png){kind=icon}
返回
Factorization-Based Broad Learning System With Time-Dependent Structure
.png){kind=icon}
PRE
AI
DOI：10.1109/TNNLS.2025.3567757.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
为应对人工智能任务日益增加的复杂性，广域学习系统（BLSs）已成为关键工具，尤其是在深度神经网络存在训练耗时和计算需求高等限制的情况下。本研究针对传统BLS在动态环境中处理复杂任务时固有的计算低效和数值不稳定性问题。为缓解这些挑战，我们提出了一种融合QR分解（QRF）的改进BLS版本，称为QRBLS，该分解以提升数值稳定性著称。该框架取代了传统依赖Moore-Penrose伪逆计算输出权重的做法。本文的主要贡献在于将QRF整合至BLS架构中，从而在处理大规模数据集时提高稳定性。QRBLS还具备动态更新机制，能高效调整模型参数以适应新数据，实现无需全模型重新评估的持续学习。此外，时变结构（TDS）增强了模型对时序数据变化的响应能力，提升其在动态环境中的实用性。数值实验验证表明，QRBLS优于传统BLS，在处理数据异常和快速更新时表现出更优的稳定性和适应性。QRF与TDS的集成显著改善了BLS的适应性和计算效率，为大规模动态AI应用提供了鲁棒解决方案。QRBLS有效解决了数值不稳定和持续学习相关的挑战，在实际场景中实现了实用改进。
Keyword:
Broad learning systems (BLSs)
Moore-Penrose pseudoinverse
numerical stability
QR factorization (QRF)
time-dependent structure (TDS)
期刊
IF:
8.9
论文数:
7.6K
被引数:
7.2W
机构
引用论文
.png){kind=icon}
分享收藏Short-term memory mechanisms in neural network learning of robot navigation tasks: A case study
PREAI
分享收藏Evidential Ensemble Preference-Guided Learning Approach for Real-Time Multimode Fault Diagnosis
PREAI
分享收藏分享收藏Dynamic Model Interpretation-Guided Online Active Learning Scheme for Real-Time Safety Assessment
PREAI
分享收藏
查看更多内容