一种基于积累一致性测量的在线状态预测算法

作     者：张伟 许爱强 高明哲 ZHANG Wei;XU Aiqiang;GAO Mingzhe

作者机构：海军航空工程学院科研部山东烟台264001 

出 版 物：《上海交通大学学报》 (Journal of Shanghai Jiaotong University)

年 卷 期：2017年第51卷第11期

页      面：1391-1398页

核心收录：

学科分类：08[工学] 0825[工学-航空宇航科学与技术] 

基　　金：国家自然科学基金项目(61571454)资助 

主　　题：状态预测 核方法 极限学习机 积累一致性 在线序贯学习 

摘      要：针对核极限学习机(Extreme Learning Machine with Kernel,KELM)在线应用过程中,核矩阵膨胀,导致算法复杂性不断上升,且难以跟踪系统时变特征的问题,以滑动时间窗为基本建模策略,提出了一种新的KELM在线稀疏学习算法.在前向与后向稀疏化过程中,基于提出的构造与修剪策略,通过在线最小化字典的积累一致性,可选择一组具有预定规模的关键节点.在增样学习与减样学习过程中,基于节点选择结果,利用矩阵的初等变换与分块矩阵求逆公式,模型参数能被在线递推更新.提出的算法被用于混沌时间序列预测与音频放大器状态预测.实验结果表明:相比于4种流形的在线序贯ELM算法,提出的方法在花费相似的测试时间的条件下,能够显著提升预测精度,且具有较好的稳定性.