[发明专利]基于半监督超限学习机的增量式定位算法

摘要

本发明提供一种基于半监督超限学习机的增量式定位算法（Incremental Semi‑supervised Extreme Learning Machine，IS‑ELM）。本发明主要包括基于半监督超限学习机来建立非线性位置估计模型，降低离线阶段采集带标签训练数据的成本；然后利用分块矩阵的运算法则，使得增量训练数据能够对模型参数进行动态调整，提高定位模型的实时性和对动态环境的适应性；最后为新增训练数据分配合适惩罚权重，使模型具有时效机制。

主权项

一种基于半监督超限学习机的增量式定位算法，其特征在于，包括以下步骤：步骤一：从实际环境中取得带标签训练数据和无标签训练数据，共同作为半监督学习的初始化训练数据集；步骤二：设置定位模型的系统参数，包括激活函数g(x)，隐含层节点个数L，正则化参数μ，惩罚权重ω；步骤三：随机分配输入权值矩阵W＝[w1,w2,...,wL]T和隐含层节点的偏移b＝[b1,b2,...,bL]T；步骤四：计算初始化隐含层输出矩阵H0、初始化图拉普拉斯矩阵和初始化隐含层输出权值矩阵β(0)，给隐含层输出权值矩阵β加入正则化约束项，得到新的隐含层输出权值矩阵；步骤五：当在线阶段有新的训练数据输入时，计算新的图拉普拉斯矩阵以及迭代后的模型参数β(k+1)；步骤六：给原有模型参数分配惩罚权重ω，设定最大迭代次数，利用牛顿迭代法的方式对最终输出的模型参数进行更新调整，得到最终的模型参数β(out)；步骤七：输入测试数据到定位模型中，进行位置估计。