文献类型：期刊文章

作　　者：孙朝江[1] 汤健[1] 魏忠军[2] 赵立杰[3]

机构地区：[1]中国人民解放军92941部队 [2]中国人民解放军92721部队 [3]沈阳化工大学信息工程学院

出　　处：《控制工程》

基　　金：国家自然科学基金项目(61203102);国家自然科学基金重点项目(60534010)

年　　份：2013

卷　　号：20

期　　号：4

起止页码：659-662

语　　种：中文

收录情况：AJ、BDHX、BDHX2011、CSA、CSA-PROQEUST、CSCD、CSCD2013_2014、ZGKJHX、核心刊

摘　　要：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。

关 键 词：选择性更新  近似线性依靠(ALD)  核极限学习机(KELM)  在线建模  

分 类 号：TP27]