為了抑制辨識模型階數的不斷增長,適應系統(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正則化因子的核超限學習機(kernel extreme learning machine,KELM)在線辨識方法。通過構建新的目標函數,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)域擁有不同的結構風險;通過構建統(tǒng)一的學習框架,在保證每一次訓練迭代中學習過程稀疏化的同時,實現(xiàn)了核權重系數與正則化因子的同步更新。實驗結果表明,提出的方法相比與其他基于KELM的在線序貫學習方法,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】：8 頁

【文章目錄】：
0 引言
1 問題描述
2 實現(xiàn)方案
    2.1 關鍵節(jié)點在線選擇
    2.2 核權重系數在線更新
    2.3 正則化因子在線優(yōu)化
        2.3.1 梯度計算
        2.3.2 學習率設置
        2.3.3 正則化因子更新
3 算法流程與復雜性分析
    3.1 算法流程
    3.2 復雜性分析
4 實驗分析
5 結論



本文編號：3866318