张伟1, 许爱强1, 平殿发2
ZHANG Wei1, XU Aiqiang1, PING Dianfa2
摘要:
为了抑制辨识模型阶数的不断增长,适应系统的时变动态特征,以滑动时间窗为基本建模策略,提出了一种具有自适应正则化因子的核超限学习机(kernel extreme learning machine, KELM)在线辨识方法。通过构建新的目标函数,使得正则化因子可以随着系统动态而改变,保证了模型在不同的非线性区域拥有不同的结构风险;通过构建统一的学习框架,在保证每一次训练迭代中学习过程稀疏化的同时,实现了核权重系数与正则化因子的同步更新。实验结果表明,提出的方法相比与其他基于KELM的在线序贯学习方法,在有无噪声的情况下,均可以有效提升辨识精度,并且具有更好的稳定性。