發(fā)布時(shí)間：2023-11-24 18:04

　　為了抑制辨識(shí)模型階數(shù)的不斷增長(zhǎng),適應(yīng)系統(tǒng)的時(shí)變動(dòng)態(tài)特征,以滑動(dòng)時(shí)間窗為基本建模策略,提出了一種具有自適應(yīng)正則化因子的核超限學(xué)習(xí)機(jī)(kernel extreme learning machine,KELM)在線辨識(shí)方法。通過(guò)構(gòu)建新的目標(biāo)函數(shù),使得正則化因子可以隨著系統(tǒng)動(dòng)態(tài)而改變,保證了模型在不同的非線性區(qū)域擁有不同的結(jié)構(gòu)風(fēng)險(xiǎn);通過(guò)構(gòu)建統(tǒng)一的學(xué)習(xí)框架,在保證每一次訓(xùn)練迭代中學(xué)習(xí)過(guò)程稀疏化的同時(shí),實(shí)現(xiàn)了核權(quán)重系數(shù)與正則化因子的同步更新。實(shí)驗(yàn)結(jié)果表明,提出的方法相比與其他基于KELM的在線序貫學(xué)習(xí)方法,在有無(wú)噪聲的情況下,均可以有效提升辨識(shí)精度,并且具有更好的穩(wěn)定性。

【文章頁(yè)數(shù)】：8 頁(yè)

【文章目錄】：
0 引言
1 問(wèn)題描述
2 實(shí)現(xiàn)方案
    2.1 關(guān)鍵節(jié)點(diǎn)在線選擇
    2.2 核權(quán)重系數(shù)在線更新
    2.3 正則化因子在線優(yōu)化
        2.3.1 梯度計(jì)算
        2.3.2 學(xué)習(xí)率設(shè)置
        2.3.3 正則化因子更新
3 算法流程與復(fù)雜性分析
    3.1 算法流程
    3.2 復(fù)雜性分析
4 實(shí)驗(yàn)分析
5 結(jié)論



本文編號(hào)：3866318