控制工程
控製工程
공제공정
CONTROL ENGINEERING OF CHINA
2013年
6期
1127-1130
,共4页
张德全%魏忠军%汤健%赵立杰
張德全%魏忠軍%湯健%趙立傑
장덕전%위충군%탕건%조립걸
软测量%混合核函数%核极限学习机(KELM)%进化算法
軟測量%混閤覈函數%覈極限學習機(KELM)%進化算法
연측량%혼합핵함수%핵겁한학습궤(KELM)%진화산법
soft sensor%mix kernel function%kernel learning machine (KELM)%evolutionary algorithm
基于核方法的软测量模型的核类型、核参数及学习参数影响模型泛化性能,而且核类型和核参数还与建模数据相关,难以有效选择;常用的基于支持向量机(SVM)的建模算法虽然泛化性好,除了模型的学习参数难以选择外,其学习速度较慢.为解决这些问题,提出了基于进化算法优化的混合核极限学习机建模方法.该方法选用具有较快学习速度和较好泛化性能的核极限学习机(KELM)算法建立软测量模型,其核函数则采用具有局部和全局特性的径向基(RBF)核函数和多项式核函数加权得到的混合核函数.软测量模型的相关参数,即混合核的权系数、核参数及和KLELM模型的惩罚参数通过进化算法同时优化选择.最后采用基于近红外谱(NIR)数据建立的软测量模型验证了所提方法的有效性.
基于覈方法的軟測量模型的覈類型、覈參數及學習參數影響模型汎化性能,而且覈類型和覈參數還與建模數據相關,難以有效選擇;常用的基于支持嚮量機(SVM)的建模算法雖然汎化性好,除瞭模型的學習參數難以選擇外,其學習速度較慢.為解決這些問題,提齣瞭基于進化算法優化的混閤覈極限學習機建模方法.該方法選用具有較快學習速度和較好汎化性能的覈極限學習機(KELM)算法建立軟測量模型,其覈函數則採用具有跼部和全跼特性的徑嚮基(RBF)覈函數和多項式覈函數加權得到的混閤覈函數.軟測量模型的相關參數,即混閤覈的權繫數、覈參數及和KLELM模型的懲罰參數通過進化算法同時優化選擇.最後採用基于近紅外譜(NIR)數據建立的軟測量模型驗證瞭所提方法的有效性.
기우핵방법적연측량모형적핵류형、핵삼수급학습삼수영향모형범화성능,이차핵류형화핵삼수환여건모수거상관,난이유효선택;상용적기우지지향량궤(SVM)적건모산법수연범화성호,제료모형적학습삼수난이선택외,기학습속도교만.위해결저사문제,제출료기우진화산법우화적혼합핵겁한학습궤건모방법.해방법선용구유교쾌학습속도화교호범화성능적핵겁한학습궤(KELM)산법건립연측량모형,기핵함수칙채용구유국부화전국특성적경향기(RBF)핵함수화다항식핵함수가권득도적혼합핵함수.연측량모형적상관삼수,즉혼합핵적권계수、핵삼수급화KLELM모형적징벌삼수통과진화산법동시우화선택.최후채용기우근홍외보(NIR)수거건립적연측량모형험증료소제방법적유효성.
