چکیده در این
مقاله، یک الگوریتم یادگیری متوالی جدید با ترکیب کردن یادگیری ماشین حدی
متوالی آنلاین (OS-ELM) و رگرسیون فیلتر کالمن ساخته شده است. یادگیری
ماشین حدی متوالی آنلاین کالمن (KOSELM) مسئله‌ی چند خطی OS-ELM را حل
می‌کند، که می تواند پیش بینی ضعیف و مدل‌های ناپایداری را تولید نماید.
KOSELM داده های آموزشی را یک به یک یا تکه به تکه با تنظیم واریانس
وزن‌های خروجی از طریق فیلتر کالمن، می آموزد. عملکرد الگوریتم ارائه شده
بر روی مجموعه داده‌ها‌ی رگرسیون معیار، اعتبارسنجی شده است و نتایج نشان
می‌دهد که KOSELM می تواند دقت آموزش بهتری را نسبت به OS-ELM و الحاقات
مربوط به آن، ارائه نماید. اعتبار سنجی آماری در مورد تفاوت دقت برای تمام
الگوریتم ها انجام شده است، و نتایج تایید می‌کنند که KOSELM پایداری بهتری
نسبت به ReOS-ELM، TOSELM و LS-IELM دارا می‌باشد. کلمات کلیدی: آموزش متوالی آنلاین، یادگیری ماشین حدی، یادگیری ماشین آنلاین متوالی حدی، رگرسیون فیلتر کالمن، چند خطی ———————————————————- عنوان اصلی مقاله: Kalman filter-basedmethodforOnlineSequentialExtremeLearning Machine forregressionproblems ترجمه فارسی عنوان: روش مبتنی بر فیلتر کالمن برای یادگیری ماشین حدی متوالی آنلاین برای مسائل رگرسیون تعداد صفحات انگلیسی: ۱۰ صفحه تعداد صفحات ترجمه فارسی: ۳۴ صفحه