基于选择性更新的在线核极限学习机建模

针对每样本递推更新的在线建模方法计算消耗大、常用的人工智能建模方法学习速度慢的缺点,为能够对软测量模型进行有效更新和提高在线模型的学习速度,提出了一种基于选择性更新的在线核极限学习机(KELM)建模方法。该方法首先采用近似线性依靠(ALD)条件判别新样本与建模样本间的线性独立依靠程度,选择满足设定条件、含有足够新信息的样本对软测量模型进行更新,降低了模型在线学习次数;然后选择学习速度快、泛化性强的KELM方法建立软测量模型,有效地避免了极限学习机(ELM)模型固有的随机性和支持向量机(SVM)模型求解的复杂性;最后将ALD条件和KELM算法有效结合,提高了在线软测量模型的学习速度和预测性能。通过合成数据的仿真实验结果验证了所提方法的有效性。

基于更新样本智能识别算法的自适应集成建模

选择表征建模对象特性漂移的新样本对软测量模型进行自适应更新,能够降低模型复杂度和运行消耗,提高模型可解释性和预测精度.针对新样本近似线性依靠程度(Approximate linear dependence,ALD)和预测误差(Prediction error,PE)等指标只能片面反映建模对象的漂移程度,领域专家结合具体工业过程需要依据上述指标和自身积累经验进行更新样本的有效识别等问题,本文提出了基于更新样本智能识别算法的自适应集成建模策略.首先,基于历史数据离线建立基于改进随机向量泛函连接网络(Improved random vector functional-link networks,IRVFL)的选择性集成模型;然后,基于集成子模型对新样本进行预测输出后采用在线自适应加权算法(On-line adaptive weighting fusion,OLAWF)对集成子模型权重进行更新,实现在线测量阶段对建模对象特性变化的动态自适应;接着基于领域专家知识构建模糊推理模型对新样本相对ALD(Relative ALD,RALD)值和相对PE(Relative PE,RPE)值进行融合,实现更新样本智能识别,构建新的建模样本库;最后实现集成模型的在线自适应更新.采用合成数据仿真验证了所提算法的合理性和有效性.

在线KPLS建模方法及在磨机负荷参数集成建模中的应用

针对过程非线性、基于历史数据构建的离线模型泛化性差以及基于滑动窗口和每样本递推更新的在线建模方法难以均衡建模精度和建模速度等问题,提出了一种在线核偏最小二乘(On-line kernel partial least squares,OLKPLS)建模方法.该方法依据新样本与建模样本间的近似线性依靠(Approximate linear dependence,ALD)值和代表工业过程特性漂移幅度的阈值,选择有价值样本更新KPLS模型,并采用合成数据和Benchmark平台数据对该方法进行了仿真验证.针对基于离线历史数据建立的融合多传感器信息的磨机负荷参数集成模型难以适应磨矿过程时变特性的问题,提出了基于OLKPLS和在线自适应加权融合算法的在线集成建模方法,并通过实验球磨机的实际运行数据仿真验证了方法的有效性.

基于准确性和多样性的在线动态选择集成建模方法

为了解决复杂工业过程中的概念漂移问题,提高集成学习模型的泛化性能,在保证集成学习模型精度的基础上,提出了一种用于优化多样性的基学习器在线动态选择集成建模方法.该方法以在线极限学习机作为基学习器,按照基学习器在滑动窗口上的分类精度对其进行逆序排序,将基学习器在滑动窗口上的其他性能指标作为特征属性,依次利用近似线性依靠条件挑选出准确且多样的基学习器用于集成输出,提高了集成学习模型在处理概念漂移数据流时的分类精度.最后,使用合成数据集和公开数据集验证了所提算法的合理性与有效性.