為了抑制辨識模型階數(shù)的不斷增長,適應(yīng)系統(tǒng)的時變動態(tài)特征,以滑動時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)在線辨識方法。通過構(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;通過構(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)過程稀疏化的同時,實現(xiàn)了核權(quán)重系數(shù)與正則化因子的同步更新。實驗結(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,在有無噪聲的情況下,均可以有效提升辨識精度,并且具有更好的穩(wěn)定性。

【文章頁數(shù)】：8 頁

【文章目錄】：
0 引言
1 問題描述
2 實現(xiàn)方案
    2.1 關(guān)鍵節(jié)點在線選擇
    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 實驗分析
5 結(jié)論



本文編號：3866318