基于KELM的连续搅拌反应釜模型辨识
来源期刊：控制工程2017年第10期
论文作者：李军 石青
文章页码：2137 - 2143
关键词：核极限学习机;单隐层前馈神经网络;连续搅拌反应釜;NARX模型;辨识;
摘 要：极限学习机（Extreme learning machine,ELM）是一种单隐层前馈神经网络（SLFNs）,它随机选择网络的隐含层节点及其参数,训练时仅需调节输出层权值,因此ELM以极快的学习速度获得良好的推广性。考虑到ELM的特征映射函数未知时,可以将核矩阵引入到ELM中。针对模型未知的强非线性连续搅拌反应釜（Continuous Stirred Tank Reactor,CSTR）,提出一种基于核极限学习机（Extreme Learning Machine with Kernels,KELM）的NARX模型辨识方法。以仿真的CSTR过程实例进行辨识实验,建立基于NARX-KELM的辨识模型。实验结果表明,在相同条件下,与带动量因子的BP神经网络、模糊神经网络（FNN）、GAP-RBF、MGAP-RBF神经网络、回声状态网络（ESN）、ELM等方法相比,KELM能够有效地改进辨识精度,而且性能更好,这表明了所提方法的有效性和应用潜力。
李军，石青
兰州交通大学自动化与电气工程学院
摘 要：极限学习机（Extreme learning machine,ELM）是一种单隐层前馈神经网络（SLFNs）,它随机选择网络的隐含层节点及其参数,训练时仅需调节输出层权值,因此ELM以极快的学习速度获得良好的推广性。考虑到ELM的特征映射函数未知时,可以将核矩阵引入到ELM中。针对模型未知的强非线性连续搅拌反应釜（Continuous Stirred Tank Reactor,CSTR）,提出一种基于核极限学习机（Extreme Learning Machine with Kernels,KELM）的NARX模型辨识方法。以仿真的CSTR过程实例进行辨识实验,建立基于NARX-KELM的辨识模型。实验结果表明,在相同条件下,与带动量因子的BP神经网络、模糊神经网络（FNN）、GAP-RBF、MGAP-RBF神经网络、回声状态网络（ESN）、ELM等方法相比,KELM能够有效地改进辨识精度,而且性能更好,这表明了所提方法的有效性和应用潜力。
关键词：核极限学习机;单隐层前馈神经网络;连续搅拌反应釜;NARX模型;辨识;
