基于正则化与遗忘因子的极限学习机及其在故障预测中的应用
仪器仪表学报（2015）
摘要
为了解决在线贯序极限学习机(OS-ELM)算法容易产生奇异矩阵,算法贯序更新过程中没有考虑训练样本时效性的问题,提出基于l2-正则化和自适应遗忘因子的OS-ELM(RFOS-ELM)算法.RFOS-ELM在初始阶段加入正则化机制,克服因矩阵奇异而降低OS-ELM泛化能力的缺点.在贯序更新阶段,RFOS-ELM通过引入自适应遗忘因子实时调整新旧训练样本所占比重,推导正则化条件下带遗忘因子RFOS-ELM的递推更新算法,提高其对动态变化系统的跟踪能力.某型无人机机载发射机故障预测实例表明,相比于传统OS-ELM和正则化OS-ELM算法,本文提出方法具有更高的预测精度.更多还原
更多AI 理解论文
溯源树
样例
生成溯源树，研究论文发展脉络
Chat Paper
正在生成论文摘要