本文針對基于核的增量超限學習機（kernel based incremental extreme learning machine,KB-IELM）對非平穩(wěn)動態(tài)系統(tǒng)的時變狀態(tài)跟蹤能力不足的問題,提出一種新型的狀態(tài)預測方法。通過融合遺忘因子和自適應時變正則化因子構建新的目標函數(shù)。通過最小化字典的快速留一交叉驗證（fast leave-one-out cross-validation,FLOO-CV）誤差,選擇具有預定規(guī)模的關鍵節(jié)點以構成字典。通過融合遺忘因子,為字典中各關鍵節(jié)點按時間順序分配不同權重�；贔LOO-CV原則,使用天牛須搜索（beetle antennae search,BAS）算法為不同的非線性區(qū)域賦予不同的正則化參數(shù)。通過矩陣初等變換和分塊求逆,實現(xiàn)核權重向量的在線遞推更新。將模型應用于非平穩(wěn)Mackey-Glass混沌時間序列預測和某型飛機發(fā)動機的狀態(tài)預測。所提算法相比于最新的非平穩(wěn)在線序列核超限學習機（non-stationary online sequential kernel extreme learning machine,NOS-KELM）和融合自適應正則化... 

【文章來源】：系統(tǒng)工程與電子技術. 2020,42(09)北大核心EICSCD

【文章頁數(shù)】：11 頁

【參考文獻】：
期刊論文
[1]一種基于改進KELM的在線狀態(tài)預測方法[J]. 朱敏,許愛強,陳強強,李睿峰.  北京航空航天大學學報. 2019(07)
[2]基于M-estimator與可變遺忘因子的在線貫序超限學習機[J]. 郭威,徐濤,于建江,湯克明.  電子與信息學報. 2018(06)
[3]一種基于積累一致性測量的在線狀態(tài)預測算法[J]. 張偉,許愛強,高明哲.  上海交通大學學報. 2017(11)
[4]基于稀疏核增量超限學習機的機載設備在線狀態(tài)預測[J]. 張偉,許愛強,高明哲.  北京航空航天大學學報. 2017(10)
[5]基于快速留一交叉驗證的核極限學習機在線建模[J]. 張英堂,馬超,李志寧,范紅波.  上海交通大學學報. 2014(05)



本文編號：3261129