基于固定尺寸序贯极端学习机的模拟电路在线故障诊断
为了提高极端学习机(ELM)对电子系统的在线诊断能力,提出了一种新的固定尺寸序贯极端学习机(FSSELM).FSSELM通过逐步添加新样本,同时剔除与其相似度最高的旧样本来提高极端学习机对待测系统的动态适应能力,并通过Sherman-Morrison矩阵求逆引理来降低计算复杂度,实现输出权值的递推求解,完成分类模型的在线训练.应用FSSELM进行模拟电路故障在线诊断,仿真结果表明相比在线序贯极端学习机(OS-ELM),FSSELM对故障的在线诊断准确率更高,具有更好的泛化性能.
极端学习机、模拟电路、故障诊断、在线训练、相似度
35
TP181(自动化基础理论)
国家自然科学基金61004128
2014-05-15(万方平台首次上网日期,不代表论文的发表时间)
共7页
738-744