文献类型：期刊文章

作　　者：刘星[1] 王文双[1] 赵建印[1] 朱敏[2]

LIU Xing;WANG Wenshuang;ZHAOJianyin;ZHU Min(Naval Coastal Defence Academy of the PLA,Yantai 264001,China;Unit 91576 of the PLA troops,NingbO315020,China)

机构地区：[1]中国人民解放军海军岸防兵学院,山东烟台264001 [2]中国人民解放军91576部队,浙江宁波315020

出　　处：《系统工程与电子技术》

基　　金：国家自然科学基金(11802338)资助课题。

年　　份：2021

卷　　号：43

期　　号：9

起止页码：2678-2687

语　　种：中文

收录情况：BDHX、BDHX2020、CSCD、CSCD2021_2022、EI、IC、JST、RCCSE、SCOPUS、ZGKJHX、ZMATH、核心刊

摘　　要：为满足现役装备根据故障样本数据集积累的特点进行自适应故障诊断的需求,本文将极限学习机(extreme learning machine,ELM)的数据增量学习、隐藏层增量学习和输出层增量学习(类增量学习)3种增量学习模式,融合到一个统一的学习框架内,提出一种凸最优自适应增量在线顺序ELM(convex optimal adaptive incremental online sequential ELM,COAIOS-ELM)。模型能够根据增量学习中误差的变化情况,自适应地增加隐藏层神经元,减小分类误差;并可根据增量数据集中新出现的故障类别,进行相应的类增量学习,增加故障诊断的范围。有效解决了ELM增量学习过程中模型自适应动态选择最佳网络结构的问题,提高模型的故障诊断的精度和故障诊断的范围。本文选择UCI数据集中公共数据集和Biquad低通滤波电路故障诊断数据集,通过与类增量ELM(class incremental ELM,CI-ELM)模型对比实验,验证了所提方法的有效性。

关 键 词：超限学习机  数据增量学习  隐藏层增量学习  类增量学习  故障诊断

分 类 号：TP273]