用于网络非线性学习的分布式极限学习机

网络上的分布式数据收集和分析无处不在，尤其是在无线传感器网络（WSN）上。 据我们所知，大多数分布式算法中使用的数据模型都是线性的。 但是，在实际应用中，并不能始终保证系统的线性。 在非线性情况下，具有径向基函数（RBF）隐藏神经元的单隐藏层前馈神经网络（SLFN）具有近似任何连续函数的能力，因此可以用作非线性学习系统。 但是，受通信成本的限制，通常禁止使用常规算法的分布式版本直接训练神经网络。 幸运的是，基于极限学习机（ELM）文献中提供的定理，我们只需要计算SLFN的输出权重即可。 尽管整个SLFN的输入-输出映射仍然是非线性的，但计算输出权重本身是一个线性学习问题。 利用分布式算法协同计算SLFN的输出权重，得到了一种用于非线性学习的分布式极限学习机（dELM）。 该dELM应用于回归问题和分类问题，以证明其有效性和优势。