RVFL 神经网络用于回归时是否需要直接连接？

随机向量函数链接网络（RVFL）被广泛用作分类与回归问题的通用逼近器。RVFL 的一大优势是无反向传播的快速训练。这是因为隐藏节点的权重与偏置随机选取且保持未训练。近来，开发了具有随机化学习的替代架构，其与 RVFL 的不同在于无直接连接且输出层有偏置项。在本研究中，我们探究直接连接与输出节点偏置对 RVFL 回归性能的影响。为生成隐藏节点的随机参数，我们使用经典方法与文献中近期提出的两种新方法。我们在若干具有不同性质目标函数的函数逼近问题上测试 RVFL 性能：非线性、强波动非线性、含线性分量的非线性以及线性。令人惊讶的是，我们发现对于典型非线性回归问题，直接连接与输出节点偏置在提升 RVFL 精度方面并不起重要作用。