基于稀疏化核方法的非线性动态系统在线辨识

发布时间：2023-11-24 18:04

　　为了抑制辨识模型阶数的不断增长,适应系统的时变动态特征,以滑动时间窗为基本建模策略,提出了一种具有自适应正则化因子的核超限学习机(kernel extreme learning machine,KELM)在线辨识方法。通过构建新的目标函数,使得正则化因子可以随着系统动态而改变,保证了模型在不同的非线性区域拥有不同的结构风险;通过构建统一的学习框架,在保证每一次训练迭代中学习过程稀疏化的同时,实现了核权重系数与正则化因子的同步更新。实验结果表明,提出的方法相比与其他基于KELM的在线序贯学习方法,在有无噪声的情况下,均可以有效提升辨识精度,并且具有更好的稳定性。

【文章页数】：8 页

【文章目录】：
0 引言
1 问题描述
2 实现方案
    2.1 关键节点在线选择
    2.2 核权重系数在线更新
    2.3 正则化因子在线优化
        2.3.1 梯度计算
        2.3.2 学习率设置
        2.3.3 正则化因子更新
3 算法流程与复杂性分析
    3.1 算法流程
    3.2 复杂性分析
4 实验分析
5 结论



本文编号：3866318