针对核极限学习机(Extreme Learning Machine with Kernel,KELM)在线应用过程中,核矩阵膨胀,导致算法复杂性不断上升,且难以跟踪系统时变特征的问题,以滑动时间窗为基本建模策略,提出了一种新的KELM在线稀疏学习算法.在前向与后向稀疏...针对核极限学习机(Extreme Learning Machine with Kernel,KELM)在线应用过程中,核矩阵膨胀,导致算法复杂性不断上升,且难以跟踪系统时变特征的问题,以滑动时间窗为基本建模策略,提出了一种新的KELM在线稀疏学习算法.在前向与后向稀疏化过程中,基于提出的构造与修剪策略,通过在线最小化字典的积累一致性,可选择一组具有预定规模的关键节点.在增样学习与减样学习过程中,基于节点选择结果,利用矩阵的初等变换与分块矩阵求逆公式,模型参数能被在线递推更新.提出的算法被用于混沌时间序列预测与音频放大器状态预测.实验结果表明:相比于4种流形的在线序贯ELM算法,提出的方法在花费相似的测试时间的条件下,能够显著提升预测精度,且具有较好的稳定性.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
文摘针对核极限学习机(Extreme Learning Machine with Kernel,KELM)在线应用过程中,核矩阵膨胀,导致算法复杂性不断上升,且难以跟踪系统时变特征的问题,以滑动时间窗为基本建模策略,提出了一种新的KELM在线稀疏学习算法.在前向与后向稀疏化过程中,基于提出的构造与修剪策略,通过在线最小化字典的积累一致性,可选择一组具有预定规模的关键节点.在增样学习与减样学习过程中,基于节点选择结果,利用矩阵的初等变换与分块矩阵求逆公式,模型参数能被在线递推更新.提出的算法被用于混沌时间序列预测与音频放大器状态预测.实验结果表明:相比于4种流形的在线序贯ELM算法,提出的方法在花费相似的测试时间的条件下,能够显著提升预测精度,且具有较好的稳定性.
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。
