控制工程
控製工程
공제공정
CONTROL ENGINEERING OF CHINA
2014年
4期
529-532
,共4页
马超%张英堂%任国全%李志宁%尹刚
馬超%張英堂%任國全%李誌寧%尹剛
마초%장영당%임국전%리지저%윤강
自适应%集成%极限学习机%时间序列预测%液压泵
自適應%集成%極限學習機%時間序列預測%液壓泵
자괄응%집성%겁한학습궤%시간서렬예측%액압빙
adaptive%ensemble%extreme learning machine%time series prediction%hydraulic pump
针对传统自适应集成极限学习机预测算法中集成权值更新不充分,受人为因素影响较大所导致的集成模型预测精度较低的问题,提出一种基于方差自适应集成极限学习机(Variance Adaptive Ensemble of Extreme Learning Machine,VAE-ELM)的时间序列预测算法.该算法以最小化预测误差为目标,根据各个弱学习机的预测误差,通过反复迭代自适应地对其集成权值进行多次更新,按照最终的集成权值向量集成各个弱学习机得到最终输出.时间序列的仿真结果及液压泵状态参数预测实例表明,与E-ELM和AE-ELM算法相比,该算法鲁棒性强,预测精度更高.
針對傳統自適應集成極限學習機預測算法中集成權值更新不充分,受人為因素影響較大所導緻的集成模型預測精度較低的問題,提齣一種基于方差自適應集成極限學習機(Variance Adaptive Ensemble of Extreme Learning Machine,VAE-ELM)的時間序列預測算法.該算法以最小化預測誤差為目標,根據各箇弱學習機的預測誤差,通過反複迭代自適應地對其集成權值進行多次更新,按照最終的集成權值嚮量集成各箇弱學習機得到最終輸齣.時間序列的倣真結果及液壓泵狀態參數預測實例錶明,與E-ELM和AE-ELM算法相比,該算法魯棒性彊,預測精度更高.
침대전통자괄응집성겁한학습궤예측산법중집성권치경신불충분,수인위인소영향교대소도치적집성모형예측정도교저적문제,제출일충기우방차자괄응집성겁한학습궤(Variance Adaptive Ensemble of Extreme Learning Machine,VAE-ELM)적시간서렬예측산법.해산법이최소화예측오차위목표,근거각개약학습궤적예측오차,통과반복질대자괄응지대기집성권치진행다차경신,안조최종적집성권치향량집성각개약학습궤득도최종수출.시간서렬적방진결과급액압빙상태삼수예측실례표명,여E-ELM화AE-ELM산법상비,해산법로봉성강,예측정도경고.
