10.13700/j.bh.1001-5965.2016.0802
基于稀疏核增量超限学习机的机载设备在线状态预测
为实现对机载设备工作状态的在线状态预测,提出了一种稀疏核增量超限学习机(ELM)算法.针对核在线学习中核矩阵膨胀问题,基于瞬时信息测量提出了一个融合构造与修剪策略的两步稀疏化方法.通过在构造阶段最小化字典冗余,在修剪阶段最大化字典元素的瞬时条件自信息量,选择一个具有固定记忆规模的稀疏字典.针对基于核的增量超限学习机核权重更新问题,提出改进的减样学习算法,其可以实现字典中任一个核函数删除后剩余核函数Gram矩阵的逆矩阵的前向递推更新.通过对某型飞机发动机的状态预测,在预测数据长度等于20的条件下,本文提出的算法将预测的整体平均误差率下降到2.18%,相比于3种流形的核超限学习机在线算法,预测精度分别提升了0.72%、0.14%和0.13%.
状态预测、核在线学习、稀疏测量、超限学习机(ELM)、有效集
43
V243;TP181(航空仪表、航空设备、飞行控制与导航)
2017-11-29(万方平台首次上网日期,不代表论文的发表时间)
共10页
2089-2098