基于极限学习机的分类算法及在故障识别中的应用

被引：20

作者：

裘日辉

刘康玲

谭海龙

梁军

机构：

[1] 浙江大学工业控制技术国家重点实验室

来源：

浙江大学学报(工学版) | 2016年 / 50卷 / 10期

关键词：

极限学习机(ELM); 单分类; 分类算法; 故障识别;

D O I：

暂无

中图分类号：

TP181 [自动推理、机器学习];

学科分类号：

081104 ; 0812 ; 0835 ; 1405 ;

摘要：

利用极限学习机(ELM)分类器的结构特点重新设计面向多分类任务的ELM分类器,提出基于ELM的优化分类算法One-Class-PCA-ELM.该算法的实现过程如下:对故障数据进行主元分析(PCA)处理,降低数据维数,去除噪声与冗余信息;将训练数据集按类分割,建立各类对应的单分类模型,整合得到One-Class-PCA-ELM分类模型;将待分类数据输入One-Class-PCA-ELM分类模型,得到待分类数据的类标号,完成分类.仿真实验结果表明,该算法保持了极限学习机极快的训练速度,具有较高的分类准确率及较理想的分类稳定性.

引用

页码：1965 / 1972

页数：8

共 10 条

[1]

面向过程监控的非线性特征提取方法研究.[D].石向荣.浙江大学.2014, 08

[2]

基于数据驱动的复杂工业过程故障检测方法研究.[D].马贺贺.华东理工大学.2013, 06

[3]

最小二乘支持向量机及其在工业过程建模中的应用.[D].陈爱军.浙江大学.2006, 02

[4] 基于ELM和FOA的股票价格预测 [J].