基于贯序正则极端学习机的时间序列预测及其应用

被引：27

作者：

张弦

王宏力

机构：

[1] 第二炮兵工程学院自动控制工程系

来源：

航空学报 | 2011年 / 32卷 / 07期

关键词：

神经网络; 正则极端学习机; 特征参数预测; 时间序列分析; 视情维修;

D O I：

暂无

中图分类号：

O211.61 [平稳过程与二阶矩过程]; TP18 [人工智能理论];

学科分类号：

070103 [概率论与数理统计]; 140502 [人工智能];

摘要：

为实现对液压泵特征参数的在线预测,提出一种贯序正则极端学习机(SRELM),并研究了基于SRELM的预测方法。SRELM根据结构风险最小化原理实现网络训练,其网络权值可随新样本的逐次加入而递推求解,具有泛化能力强与训练速度快的优点,因此适于特征参数的在线预测。基于SRELM的预测方法利用特征参数训练SRELM模型,以逐次增加新数据的方式对SRELM模型进行在线训练,并利用训练后的SRELM模型对未来时刻的特征参数进行外推预测。液压泵特征参数预测实例表明,基于SRELM的特征参数预测方法具有预测精度高与计算效率高的优点,其综合性能优于基于传统迭代式神经网络的预测方法与基于支持向量机的预测方法。

引用

页码：1302 / 1308

页数：7

共 10 条

[1]

Constructive hidden nodes selection of extreme learning machine for regression.[J].Yuan Lan;Yeng Chai Soh;Guang-Bin Huang.Neurocomputing.2010, 16

[2]

Intelligent approaches using support vector machine and extreme learning machine for transmission line protection.[J].V. Malathi;N.S. Marimuthu;S. Baskar.Neurocomputing.2010, 10

[3]

Multi-step ahead direct prediction for the machine condition prognosis using regression trees and neuro-fuzzy systems [J].