[發明專利]一種基于結構可調極限學習機的在線建模方法

無效

• 申請號: 201010119408.2
• 申請日: 2010-03-08
• 公開（公告）號: CN101807046A
• 公開（公告）日: 2010-08-18
• 發明（設計）人: 劉民;李國虎;董明宇;吳澄
• 申請（專利權）人: 清華大學
• 主分類號: G05B13/04
• 分類號: G05B13/04
• 代理公司: 暫無信息
• 代理人: 暫無信息

技術領域

本發明屬于自動控制、信息技術和先進制造領域，具體涉及在極限學習機的在線學習過程中調整其結構和參數以容納新獲得數據的方法。

背景技術

在面向實際工業過程檢測、控制與優化的許多建模環境中，建模所需數據常常具有依次到達的特點。針對上述特點，學術界和工業界提出了在線建模方法(或在線學習方法)，如RAN、RANEKF、MRAN、GAP-RBF、GGAP-RBF，此類方法可根據新產生的數據在線調整模型結構和參數，以容納新數據信息，而無需針對已獲得的所有數據重新建模。但上述方法大多存在待調節參數多、訓練速度慢等不足，嚴重影響其實際應用效果。最近出現的OS-ELM方法雖然將待調節參數減少至一個，但是其缺乏結構可調性，使得其容納新信息的能力相對有限，模型精度無法進一步提高。

發明內容

為解決上述在線建模難題，本發明提出一種基于結構可調極限學習機的在線建模方法(簡稱SAO-ELM)。在SAO-ELM中，網絡的基本結構和ELM(Extreme?Learning?Machine：極限學習機)網絡相同，但其隱層節點數可在在線建模過程中進行調節。在建模過程中增加隱層節點的主要難點在于，SAO-ELM的訓練目標是使得調整后的模型相對于所有訓練數據的誤差和達到最小，但在每次在線學習過程中，之前用過的訓練數據必須丟棄，這使得新增隱層節點在那些已丟棄的數據上的輸出未知。為此，本發明定義了類別球概念，用以包圍所有已用過的訓練數據，并隨時記錄且根據新增數據更新該球的球心和半徑。增加隱層節點時，其激勵函數選為高斯函數，然后選擇適當的激勵函數的中心和寬度，使得該節點在距類別球最近點的輸出足夠小，從而可將新增隱層節點在已丟棄的數據上的輸出視為0。在上述條件下，可推導出增加隱層節點時的迭代式輸出層權值更新公式，從而實現基于結構可調極限學習機的在線建模。

一種基于結構可調極限學習機的在線建模方法，其特征在于該方法是按照如下步驟實現的：

步驟(1)：模型選擇和參數初始化

設置單隱層極限學習機的隱層節點數M，輸入層節點個數與訓練樣本維數n相同，輸出節點個數與訓練目標的維數m相同；

隱層節點的激勵函數G(a_i，b_i，x)采用高斯函數，隨機確定每個隱層節點的中心a_i和寬度b_i，i＝1，2，…M；

根據最初的N個樣本訓練極限學習機，獲得初始的隱層輸出矩陣H₀和輸出層連接矩陣β₀，其中，

β₀＝(H₀^TH₀)^-1H₀T₀