化工学报
化工學報
화공학보
JOURNAL OF CHEMICAL INDUSY AND ENGINEERING (CHINA)
2013年
12期
4348-4353
,共6页
高慧慧%贺彦林%彭荻%朱群雄
高慧慧%賀彥林%彭荻%硃群雄
고혜혜%하언림%팽적%주군웅
极限学习机%自联想神经网络%数据属性划分%高维数据%过程建模
極限學習機%自聯想神經網絡%數據屬性劃分%高維數據%過程建模
겁한학습궤%자련상신경망락%수거속성화분%고유수거%과정건모
extreme learning machine%auto-associative neural network%data attributes decomposition%high-dimensional data%process modeling
针对极限学习机(ELM)不能有效处理化工过程中强耦合、带噪声的高维数据建模问题,提出了一种基于数据属性划分的递阶ELM神经网络DHELM.该神经网络采用数据属性划分(DAD)方法对高维输入进行聚类、建立自联想子网,并将自联想子网所提取的特征分量作为极限学习机的输入进行建模.同时,利用UCI标准数据集进行了测试,通过工业应用实例进行了验证,并进行了模型对比.结果表明,DHELM网络在处理复杂高维数据时具有收敛速度快、建模精度高、网络稳定性强的特点,为神经网络发展及其化工应用提供了新思路.
針對極限學習機(ELM)不能有效處理化工過程中彊耦閤、帶譟聲的高維數據建模問題,提齣瞭一種基于數據屬性劃分的遞階ELM神經網絡DHELM.該神經網絡採用數據屬性劃分(DAD)方法對高維輸入進行聚類、建立自聯想子網,併將自聯想子網所提取的特徵分量作為極限學習機的輸入進行建模.同時,利用UCI標準數據集進行瞭測試,通過工業應用實例進行瞭驗證,併進行瞭模型對比.結果錶明,DHELM網絡在處理複雜高維數據時具有收斂速度快、建模精度高、網絡穩定性彊的特點,為神經網絡髮展及其化工應用提供瞭新思路.
침대겁한학습궤(ELM)불능유효처이화공과정중강우합、대조성적고유수거건모문제,제출료일충기우수거속성화분적체계ELM신경망락DHELM.해신경망락채용수거속성화분(DAD)방법대고유수입진행취류、건립자련상자망,병장자련상자망소제취적특정분량작위겁한학습궤적수입진행건모.동시,이용UCI표준수거집진행료측시,통과공업응용실례진행료험증,병진행료모형대비.결과표명,DHELM망락재처리복잡고유수거시구유수렴속도쾌、건모정도고、망락은정성강적특점,위신경망락발전급기화공응용제공료신사로.
