改进的极限学习机在辨识及分类中的应用

发布时间：2017-07-03 15:17

  本文关键词：改进的极限学习机在辨识及分类中的应用

  更多相关文章： 极限学习机 准线性 系统辨识 脑电信号分类 特征提取

【摘要】：随着神经网络研究的深入,前馈神经网络收敛速度慢,参数难以调节,过拟合等缺点限制了进一步的应用。针对上述问题,论文围绕极限学习机对神经网络研究中常见的辨识和分类问题,展开研究。针对非线性系统辨识问题以及癫痫脑电信号非线性分类问题提出改进的新方法。论文主要研究成果如下：1、提出准线性极限学习机辨识算法利用ARX线性结构和极限学习机收敛速度快的优点,设计准线性极限学习机辨识方法用于非线性系统辨识。Huang等人已经证明随着隐含层节点不断增加,可以获得最小的训练误差。但是随着隐含层节点数的增加,输出层权值会逐渐变小,所以很多节点对最终结果并无影响,属于“无用节点”,反而增加运算复杂度。因此,为了降低网络的复杂度,本文提出一种准线性辨识结构,使用一种宏观线性方程嵌套非线性系数的表达方式,表示系统的输入输出关系,使用线性与非线性部分迭代辨识方法即可以逼近常见的非线性系统,又可以压缩隐含层节点个数,简化网络结构,使得收敛速度增加。通过大量对比实验和分析,证明了该辨识方法具有很好的辨识精度。2、提出准线性极限学习机算法内模控制基于上述提出的准线性极限辨识方法,建立准线性内模模型和逆模模型控制器。由于准线性极限学习机的辨识精度高,可以减少建模误差带来的影响。将该方法用于化工非线性CSTR过程,准确的建模效果,使得控制效果明显,可以达到无稳态偏差的定值控制,鲁棒性能强。3、提出混合乘性节点极限学习机分类器针对非线性癫痫脑电信号分类问题,提出一种混合乘性节点极限学习机分类器,在传统极限学习机节点中加入乘性节点,增加网络的非线性表达。提出一系列的特征提取方法,包括离散小波变换和相空间重构以及奇异值分解相结合,将提取出的特征作为分类器输入,特征提取算法能够准确的提取出信号特征降低信息损失和空间维数。混合乘性节点分类器增加了极限学习机隐含层的表达,将其微小差别映射到更高维空间表现出来,对比传统极限学习机,可以达到更高的分类精度。最后论文针对全文的研究成果进行总结,提出研究的进一步展望。
【关键词】：极限学习机 准线性 系统辨识 脑电信号分类 特征提取
【学位授予单位】：北京化工大学
【学位级别】：硕士
【学位授予年份】：2016
【分类号】：TP18
【目录】：

• 摘要4-6
• ABSTRACT6-15
• 第一章 绪论15-25
• 1.1 选题背景及意义15-16
• 1.2 非线性系统辨识16-20
• 1.2.1 神经网络与非线性系统辨识18-19
• 1.2.2 神经网络与内模控制19-20
• 1.3 脑电信号的特点与特征提取方法20-23
• 1.3.1 癫痫脑电信号的特征提取方法21-22
• 1.3.2 神经网络与癫痫脑电信号分类22-23
• 1.4 本论文主要研究内容及创新23-25
• 第二章 极限学习机理论及方法25-31
• 2.1 引言25
• 2.2 极限学习机的基本理论25-27
• 2.3 极限学习机的优缺点及改进27-28
• 2.4 极限学习机研究现状28-29
• 2.5 本章小结29-31
• 第三章 基于准线性极限学习机的非线性系统辨识31-41
• 3.1 引言31
• 3.2 基于准线性极限学习机的非线性系统辨识31-34
• 3.2.1 准线性极限学习机模型31-33
• 3.2.2 准线性极限学习机辨识算法33-34
• 3.3 实验结果与分析34-39
• 3.3.1 数字实验34-36
• 3.3.2 CSTR过程36-39
• 3.4 小结39-41
• 第四章 基于准线性极限学习机的内模控制41-53
• 4.1 引言41
• 4.2 内模控制概述41-42
• 4.3 基于准线性极限学习机的内模控制原理设计42-45
• 4.3.1 建立系统内模43-44
• 4.3.2 建立系统逆模44-45
• 4.4 实验结果与分析45-51
• 4.5 小结51-53
• 第五章 基于乘性节点极限学习机的脑电信号分类53-75
• 5.1 引言53
• 5.2 实验数据53-54
• 5.3 基于乘性节点极限学习机的脑电信号分类器54-56
• 5.4 脑电信号的特征提取56-64
• 5.4.1 脑电信号特征提取方法56-57
• 5.4.2 离散小波变换57-59
• 5.4.3 相空间重构59-62
• 5.4.4 协方差矩阵和奇异值分解62-64
• 5.5 实验结果与分析64-74
• 5.5.1 准备工作64-65
• 5.5.2 分类结果65-74
• 5.6 本章小结74-75
• 第六章 结论与展望75-77
• 6.1 研究成果总结75-76
• 6.2 后续工作展望76-77
• 参考文献77-83
• 致谢83-85
• 研究成果及发表的学术论文85-87
• 作者和导师简介87-88
• 附件88-89

【相似文献】

中国期刊全文数据库 前10条

1 侯志祥,申群太,李河清;基于自适应神经模糊推理系统的非线性系统辨识[J];系统工程与电子技术;2005年01期

2 万峰;孙优贤;;非线性系统辨识中模糊模型参数收敛问题的进一步研究[J];自动化学报;2007年01期

3 朱耀春;白焰;蒋毅恒;;基于基因表达式编程的非线性系统辨识研究[J];系统仿真学报;2008年07期

4 张蓉;冯斌;;更有效的非线性系统辨识新方法[J];计算机工程与设计;2008年16期

5 朱全民;非线性系统辨识[J];控制理论与应用;1994年06期

6 王秀峰;非线性系统辨识及其应用[J];天津科技;1996年03期

7 黄自元,李力雄,费敏锐;模糊规则在线提取及其在非线性系统辨识中的应用[J];自动化仪表;2001年10期

8 张元林,郑南宁,贾新春;基于支持向量回归的非线性系统辨识[J];信息与控制;2003年05期

9 石宏理,蔡远利,邱祖廉;一种基于小波分解的非线性系统辨识的新方法[J];信息与控制;2004年05期

10 王军;彭宏;肖建;;尺度核支持向量回归的非线性系统辨识[J];系统仿真学报;2006年09期

中国重要会议论文全文数据库 前5条

1 陈大庆;杨军;周凤歧;;基于神经元网络的非线性系统辨识[A];1991年控制理论及其应用年会论文集（上）[C];1991年

2 吕强;郝继红;段运波;许耀铭;;利用动态RBF网络的非线性系统辨识[A];1994中国控制与决策学术年会论文集[C];1994年

3 荣海娜;张葛祥;张翠芳;;基于支持向量机的非线性系统辨识方法[A];中国自动化学会、中国仪器仪表学会2004年西南三省一市自动化与仪器仪表学术年会论文集[C];2004年

4 郝万君;乔焰辉;强文义;;基于自适应竞争聚类和OLS算法的非线性系统辨识[A];2009中国控制与决策会议论文集（1）[C];2009年

5 张涛;谢林柏;丁锋;;输出信号量化的双率采样Hammerstein非线性系统辨识[A];2009中国控制与决策会议论文集（1）[C];2009年

中国博士学位论文全文数据库 前3条

1 高学辉;迟滞Hammerstein非线性系统辨识与控制[D];北京理工大学;2016年

2 朱耀春;基于基因表达式编程技术的非线性系统辨识研究[D];华北电力大学（北京）;2008年

3 施建中;基于模糊聚类的非线性系统辨识研究[D];华北电力大学;2012年

中国硕士学位论文全文数据库 前10条

1 薛瑞静;非线性系统辨识在人体动态平衡建模中的应用[D];河北大学;2015年

2 谢倩雯;改进的极限学习机在辨识及分类中的应用[D];北京化工大学;2016年

3 杜宝庆;延迟系统控制及非线性系统辨识与仿真[D];曲阜师范大学;2007年

4 田宏洁;基于粒子群方法的非线性系统辨识问题研究[D];西安电子科技大学;2011年

5 孙建良;Hammerstein模型非线性系统辨识算法研究[D];浙江大学;2013年

6 邓杨;基于参数化时频分析的非线性系统辨识[D];上海交通大学;2014年

7 范伟;一类维纳非线性系统辨识（Ⅰ）[D];江南大学;2008年

8 杨韬;基于改进人工蜂群算法的神经网络非线性系统辨识研究[D];西南交通大学;2013年

9 张园园;基于聚类分析和LSSVM的非线性系统辨识[D];河南师范大学;2014年

10 佘远俊;神经网络在非线性系统辨识中的应用[D];西南交通大学;2005年

  本文关键词：改进的极限学习机在辨识及分类中的应用

  更多相关文章： 极限学习机 准线性 系统辨识 脑电信号分类 特征提取

，

本文编号：514169