摘要：實(shí)際問題的數(shù)據(jù)集通常受到各種噪聲的影響,超限學(xué)習(xí)機(jī)(extreme learning machine,ELM)對(duì)這類數(shù)據(jù)集進(jìn)行學(xué)習(xí)時(shí),表現(xiàn)出預(yù)測(cè)精度低、預(yù)測(cè)結(jié)果波動(dòng)大.為了克服該缺陷,采用了能夠削弱噪聲影響的指數(shù)Laplace損失函數(shù).該損失函數(shù)是建立在Gauss核函數(shù)基礎(chǔ)上,具有可微、非凸、有界且能夠趨近于Laplace函數(shù)的特點(diǎn).將其引入到超限學(xué)習(xí)機(jī)中,提出了魯棒超限學(xué)習(xí)機(jī)回歸估計(jì)(exponential Laplace loss function based robust ELM for regression,ELRELM)模型.利用迭代重賦權(quán)算法求解模型的優(yōu)化問題.在每次迭代中,噪聲樣本點(diǎn)被賦予較小的權(quán)值,能夠有效地提高預(yù)測(cè)精度.真實(shí)數(shù)據(jù)集實(shí)驗(yàn)驗(yàn)證了所提出的模型相比較于對(duì)比算法具有更優(yōu)的學(xué)習(xí)性能和魯棒性.