基于极限学习机的生化过程软测量建模

被引：22

作者：

常玉清 ^{[1
]}

李玉朝 ^{[2
]}

王福利 ^{[1
]}

吕哲 ^{[3
]}

机构：

[1] 东北大学流程工业综合自动化教育部重点实验室

[2] 沈阳理工大学机械工程学院

[3] 东北大学信息科学与工程学院

来源：

系统仿真学报 | 2007年 / 23期

关键词：

极限学习机; 软测量; 建模; 菌体浓度;

D O I：

10.16182/j.cnki.joss.2007.23.030

中图分类号：

TP274 [数据处理、数据处理系统];

学科分类号：

0804 ; 080401 ; 080402 ; 081002 ; 0835 ;

摘要：

针对极限学习机方法隐层神经元数目过多的缺陷,提出一种改进的极限学习机方法。在单隐层前向神经网络的隐层中,增加一类分类神经元,从而形成了一种新的单隐层神经网络结构。针对不同类样本数不相同的问题,提出了处理方法,使得可以利用相同的隐层神经元对不同类的学习样本进行拟合,这使得网络的隐层神经元数目大大降低,从而简化了模型的结构,提高了神经网络的计算速度。将这一方法应用于诺西肽发酵过程,建立了菌体浓度的软测量模型,实现了菌体浓度的在线预估。

引用

页码：5587 / 5590

页数：4

共 6 条

[1] 基于诺西肽分批发酵的过程建模 [J].

张大鹏 ;

王福利 ;

何建勇 ;

何大阔 ;

林志玲 ;

常玉清 .

系统仿真学报, 2006, (08) :2311-2313+2330

[2] 基于多支持向量机的诺西肽发酵中菌体浓度软测量 [J].

桑海峰 ;

王福利 ;

何大阔 ;

张大鹏 ;

何建勇 .

系统仿真学报, 2006, (07) :1983-1986

[3] PCA-DRBFN模型在精馏塔精苯干点估计中的应用 [J].

常玉清 ;

王小刚 ;

王福利 .

东北大学学报, 2004, (02) :103-105

[4] Evolutionary extreme learning machine [J].

Zhu, QY ;

Qin, AK ;

Suganthan, PN ;

Huang, GB .

PATTERN RECOGNITION, 2005, 38 (10) :1759-1763

[5]

Real-Lime Learing Capability of Neural Networks. G-B Huang,Q-Y Zhu,C-K Siew. . 2003

[6]

Extreme Learning Machine:a New Learning Scheme of Feedforward Neural Networks. G-B Huang,Q-Y Zhu,C-K Siew. Proceedings of the International Joint Conference on Neural Networks . 2004

← 1 →