一种具有深度和平坦结构的新型宽度学习回归预测方法

宽度学习系统(BLS)是一种最新提出的机器学习算法，具有极高的计算效率和良好的逼近能力。已有研究证明，在某些情况下，宽度学习可以替代深度学习甚至取得更好的效果。但是宽度学习仅有一层特征映射层和增强层，较浅的结构使其特征学习能力不足，导致性能不佳。因此，本发明提出了一种新的宽度学习结构，采用多个特征映射层和增强层结构，提高宽度学习模型的特征学习能力和非线性映射能力。同时采用稀疏编码器对原始特征进行重构，加入到输出层的输入中，增强模型的鲁棒性，防止原始信息丢失。此外，将每一个多层BLS结构视为一个BLS块，通过堆叠BLS进一步提高拟合能力和鲁棒性。