具有遗忘机制的在线宽度学习算法

对动态数据流的在线学习问题，传统的在线BLS(Broad Learning System)算法无法准确地捕捉数据最新的变化趋势。为此提出两种具有遗忘机制的在线BLS算法——基于遗忘因子的在线BLS算法(FF-OBLS:Online Broad Learning System based on Forgetting Factor)和基于滑动窗口的在线BLS算法(SW-OBLS:Online Broad Learning System based on Sliding Window)。FF-OBLS在在线学习过程中通过为旧样本添加遗忘因子以体现新旧样本对学习模型的不同贡献，SW-OBLS在在线学习过程中通过删除旧样本以消除旧样本对学习模型的影响，从而使学习模型对动态数据流的后续趋势做出更准确的分析和预测。为验证提出的两种在线BLS算法的有效性，使用动态回归数据集进行实验。实验结果表明，具有遗忘机制的在线BLS模型在预测精度和时间开销上均优于传统在线BLS模型，更适合处理动态数据流问题。