控制工程
控製工程
공제공정
CONTROL ENGINEERING OF CHINA
2013年
4期
659-662
,共4页
孙朝江%汤健%魏忠军%赵立杰
孫朝江%湯健%魏忠軍%趙立傑
손조강%탕건%위충군%조립걸
选择性更新%近似线性依靠(ALD)%核极限学习机(KELM)%在线建模
選擇性更新%近似線性依靠(ALD)%覈極限學習機(KELM)%在線建模
선택성경신%근사선성의고(ALD)%핵겁한학습궤(KELM)%재선건모
selective updating%approximate linear dependence(ALD)%kernel extreme learning machine(KELM)%on-line modeling
针对每样本递推更新的在线建模方法计算消耗大、常用的人工智能建模方法学习速度慢的缺点,为能够对软测量模型进行有效更新和提高在线模型的学习速度,提出了一种基于选择性更新的在线核极限学习机(KELM)建模方法.该方法首先采用近似线性依靠(ALD)条件判别新样本与建模样本间的线性独立依靠程度,选择满足设定条件、含有足够新信息的样本对软测量模型进行更新,降低了模型在线学习次数;然后选择学习速度快、泛化性强的KELM方法建立软测量模型,有效地避免了极限学习机(ELM)模型固有的随机性和支持向量机(SVM)模型求解的复杂性;最后将ALD条件和KELM算法有效结合,提高了在线软测量模型的学习速度和预测性能.通过合成数据的仿真实验结果验证了所提方法的有效性.
針對每樣本遞推更新的在線建模方法計算消耗大、常用的人工智能建模方法學習速度慢的缺點,為能夠對軟測量模型進行有效更新和提高在線模型的學習速度,提齣瞭一種基于選擇性更新的在線覈極限學習機(KELM)建模方法.該方法首先採用近似線性依靠(ALD)條件判彆新樣本與建模樣本間的線性獨立依靠程度,選擇滿足設定條件、含有足夠新信息的樣本對軟測量模型進行更新,降低瞭模型在線學習次數;然後選擇學習速度快、汎化性彊的KELM方法建立軟測量模型,有效地避免瞭極限學習機(ELM)模型固有的隨機性和支持嚮量機(SVM)模型求解的複雜性;最後將ALD條件和KELM算法有效結閤,提高瞭在線軟測量模型的學習速度和預測性能.通過閤成數據的倣真實驗結果驗證瞭所提方法的有效性.
침대매양본체추경신적재선건모방법계산소모대、상용적인공지능건모방법학습속도만적결점,위능구대연측량모형진행유효경신화제고재선모형적학습속도,제출료일충기우선택성경신적재선핵겁한학습궤(KELM)건모방법.해방법수선채용근사선성의고(ALD)조건판별신양본여건모양본간적선성독립의고정도,선택만족설정조건、함유족구신신식적양본대연측량모형진행경신,강저료모형재선학습차수;연후선택학습속도쾌、범화성강적KELM방법건립연측량모형,유효지피면료겁한학습궤(ELM)모형고유적수궤성화지지향량궤(SVM)모형구해적복잡성;최후장ALD조건화KELM산법유효결합,제고료재선연측량모형적학습속도화예측성능.통과합성수거적방진실험결과험증료소제방법적유효성.
