本文關鍵詞：改進的靈敏度剪枝極限學習機

  更多相關文章： 剪枝算法 正則化 奇異值分解 靈敏度分析 故障預測

【摘要】：針對極限學習機(ELM)網(wǎng)絡結構優(yōu)化問題,提出一種改進的靈敏度剪枝ELM(Im SAP-ELM).Im SAP-ELM將2正則化因子引入SAP-ELM中,采用留一準則確定最優(yōu)隱節(jié)點數(shù).推導基于奇異值分解的輸出權重計算公式,避免矩陣奇異導致求解無效的問題.將Im SAP-ELM用于故障預測,利用多組同類型故障數(shù)據(jù)建立多個Im SAP-ELM模型,基于加權思想融合不同Im SAP-ELM的預測值.某型無人機發(fā)射機實例表明,相比于ELM、OP-ELM(最優(yōu)剪枝ELM)和SAP-ELM,Im SAP-ELM耗時最高,但是Im SAP-ELM的預測誤差小于其他3種方法.
【作者單位】： 軍械工程學院無人機工程系;
【關鍵詞】： 剪枝算法 正則化 奇異值分解 靈敏度分析 故障預測
【基金】：總裝院�？萍紕�(chuàng)新工程項目(ZYX12080008)
【分類號】：TP183
【正文快照】： 0引言極限學習機(ELM)是近年發(fā)展起來的一種求解單隱層前饋神經(jīng)網(wǎng)絡(SLFN)的學習算法[1].與傳統(tǒng)學習算法需要更新SLFN中所有參數(shù)不同,ELM只需更新SLFN中的輸出層網(wǎng)絡權值,使得ELM具有結構簡單、學習速度快和泛化能力強等優(yōu)點[2-3],已經(jīng)在模式識別[4]、故障診斷[5]、時間序列預，

本文編號：1041744