基于改进稀疏KELM的在线非平稳动态系统状态预测方法

发布时间：2021-07-02 20:01

　　本文针对基于核的增量超限学习机（kernel based incremental extreme learning machine,KB-IELM）对非平稳动态系统的时变状态跟踪能力不足的问题,提出一种新型的状态预测方法。通过融合遗忘因子和自适应时变正则化因子构建新的目标函数。通过最小化字典的快速留一交叉验证（fast leave-one-out cross-validation,FLOO-CV）误差,选择具有预定规模的关键节点以构成字典。通过融合遗忘因子,为字典中各关键节点按时间顺序分配不同权重。基于FLOO-CV原则,使用天牛须搜索（beetle antennae search,BAS）算法为不同的非线性区域赋予不同的正则化参数。通过矩阵初等变换和分块求逆,实现核权重向量的在线递推更新。将模型应用于非平稳Mackey-Glass混沌时间序列预测和某型飞机发动机的状态预测。所提算法相比于最新的非平稳在线序列核超限学习机（non-stationary online sequential kernel extreme learning machine,NOS-KELM）和融合自适应正则化... 

【文章来源】：系统工程与电子技术. 2020,42(09)北大核心EICSCD

【文章页数】：11 页

【参考文献】：
期刊论文
[1]一种基于改进KELM的在线状态预测方法[J]. 朱敏,许爱强,陈强强,李睿峰.  北京航空航天大学学报. 2019(07)
[2]基于M-estimator与可变遗忘因子的在线贯序超限学习机[J]. 郭威,徐涛,于建江,汤克明.  电子与信息学报. 2018(06)
[3]一种基于积累一致性测量的在线状态预测算法[J]. 张伟,许爱强,高明哲.  上海交通大学学报. 2017(11)
[4]基于稀疏核增量超限学习机的机载设备在线状态预测[J]. 张伟,许爱强,高明哲.  北京航空航天大学学报. 2017(10)
[5]基于快速留一交叉验证的核极限学习机在线建模[J]. 张英堂,马超,李志宁,范红波.  上海交通大学学报. 2014(05)



本文编号：3261129