10.3969/j.issn.1004-6801.2013.05.029
自适应集成极限学习机在故障诊断中的应用
为了改善在线贯序极限学习机的分类效果,进一步提高算法在小样本数据下的稳定性和泛化性,设计自适应网络集成机制,提出极限学习机改进算法.该算法借鉴learn++集成思想,通过计算增量学习时的分类准确率和隐层网络输出权值范数,在线调整集成输出中子网络的投票权值以及网络输入权值和节点偏置.UCI数据集及轴承故障的实验分析表明,与改进前相比,该算法分类准确率提高约1个百分点的同时,6个数据集100次实验的标准差分别降低了0.1~1.2个百分点.最后将该算法与小波包相结合应用于发动机的故障诊断中,取得了91.16%的分类准确率.
极限学习机、learn++神经网络集成、故障诊断、小波包
33
TH17;TK41.1;TP18;TB55;TH138
2013-11-25(万方平台首次上网日期,不代表论文的发表时间)
共5页
897-901