10.13700/j.bh.1001-5965.2018.0685
一种基于改进KELM的在线状态预测方法
针对核超限学习机(KELM)在线状态预测过程中,核矩阵阶数不断增长且难以跟踪时变动态特征的问题,提出了一个具有遗忘因子的稀疏KELM在线状态预测方法.通过引入遗忘因子构建新的目标函数,使稀疏字典中各元素依据时间远近具有不同权重,保证了模型对动态变化的有效跟踪;通过最小化字典的快速留一交叉验证(FLOO-CV)误差,选择具有预定规模的关键节点构成字典;基于当前字典,通过矩阵初等变换和分块求逆,实现相关参数的递推更新.某型飞机发动机的状态预测结果表明,与目前已有的3种在线序贯KELM相比,所提方法在6个监测项目上的平均训练时间分别缩短了7.5%、62.0%和81.9%,平均预测精度分别提升了44.0%、19.9%和50.9%.
状态预测、在线序贯学习、快速留一交叉验证(FLOO-CV)、超限学习机、核方法
45
V243;TP181(航空仪表、航空设备、飞行控制与导航)
国家自然科学基金;山东省自然科学基金
2019-08-06(万方平台首次上网日期,不代表论文的发表时间)
共10页
1370-1379