基于收缩极限学习机的故障诊断鲁棒方法

摘要：

为降低特征噪声对分类性能的影响,提出一种基于极限学习机(extreme learning machine,ELM)的收缩极限学习机鲁棒算法模型(CELM).采用自编码器对输入数据进行重构,将隐层输出值关于输入的雅克比矩阵的F范数引入到目标函数中,提取出更具鲁棒性的抽象特征表示,利用提取到的新特征对常规的ELM层进行训练,提高方法的鲁棒性.对Mnist、UCI数据集、TE过程数据集以及添加不同强度的混合高斯噪声之后的Mnist数据集进行仿真,实验结果表明,提出的方法较ELM、HELM具有更高的分类精度和更好的鲁棒性.

关键词：鲁棒性、极限学习机、雅克比矩阵、自编码器、故障诊断

所属期刊栏目：41

分类号：TP277(自动化技术及设备)

资助基金：国家重点研发计划基金项目;国家杰出青年科学基金项目;国家自然科学基金青年基金项目;上海市自然科学基金项目

在线出版日期：2020-04-20（万方平台首次上网日期，不代表论文的发表时间）

页数：共6页

页码：208-213