为解决交替方向乘子法(alternating direction method of multipliers,ADMM)正则化极限学习机(regularized extreme learning machine,RELM)迭代收敛速度慢和迭代后期误差衰减停滞的问题,提出一种基于动态步长ADMM的正则化极限学习机,记...为解决交替方向乘子法(alternating direction method of multipliers,ADMM)正则化极限学习机(regularized extreme learning machine,RELM)迭代收敛速度慢和迭代后期误差衰减停滞的问题,提出一种基于动态步长ADMM的正则化极限学习机,记为VAR-ADMM-RELM.该算法在ADMM算法的基础上采用动态衰减步长进行迭代,并同时使用L1和L2正则化对模型复杂度进行约束,解得具有稀疏性和鲁棒性的极限学习机输出权重.在UCI和MedMNIST数据集中对VAR-ADMM-RELM、极限学习机(extreme learning machine,ELM)、正则化极限学习机(regularized ELM,RELM)和基于ADMM的L1正则化ELM(ADMMRELM)进行拟合、分类和回归对比实验.结果表明,VAR-ADMM-RELM算法的平均分类准确率和平均回归预测精度分别比ELM算法提升了1.94%和2.49%,较标准ADMM算法可以取得3~5倍的速度提升,且对异常值干扰具有更好的鲁棒性和泛化能力,在高维度多样本的场景下建模效率逼近标准极限学习机.该方法有效提升了ADMM算法的收敛速度,取得了比主流ELM算法更加优秀的性能表现.展开更多
针对实际应用中光纤光栅传感器服役时间长和工作环境恶劣等原因导致的标定曲线缓慢漂移问题,提出了一种改进在线顺序极限学习机用于光纤光栅传感系统的动态标定。在初始训练阶段引入正则化避免产生奇异矩阵,提高泛化能力。在线学习阶段...针对实际应用中光纤光栅传感器服役时间长和工作环境恶劣等原因导致的标定曲线缓慢漂移问题,提出了一种改进在线顺序极限学习机用于光纤光栅传感系统的动态标定。在初始训练阶段引入正则化避免产生奇异矩阵,提高泛化能力。在线学习阶段引入自适应遗忘因子对新旧样本比重进行调整,提高预测精度。通过试验进行对比分析,验证了该方法的优越性。结果表明,与传统标定方法相比,所提方法的均方根误差(root mean square error,RMSE)指标始终最低,R^(2)指标始终最高,具有较高的精度和较好的泛化性能,解决了标定曲线缓慢漂移问题,满足光纤光栅传感器的要求,可以应用于实际工程。展开更多
文摘针对实际应用中光纤光栅传感器服役时间长和工作环境恶劣等原因导致的标定曲线缓慢漂移问题,提出了一种改进在线顺序极限学习机用于光纤光栅传感系统的动态标定。在初始训练阶段引入正则化避免产生奇异矩阵,提高泛化能力。在线学习阶段引入自适应遗忘因子对新旧样本比重进行调整,提高预测精度。通过试验进行对比分析,验证了该方法的优越性。结果表明,与传统标定方法相比,所提方法的均方根误差(root mean square error,RMSE)指标始终最低,R^(2)指标始终最高,具有较高的精度和较好的泛化性能,解决了标定曲线缓慢漂移问题,满足光纤光栅传感器的要求,可以应用于实际工程。
