论文摘要
针对传统增量型随机权神经网络(I-RVFLNs)存在网络参数难以优化确定、模型收敛速度慢和结构复杂的问题,提出一种优化增量型随机权神经网络算法,即O-I-RVFLNs。与传统I-RVFLNs不同,所提O-IRVFLNs算法首先设定了一个期望的建模残差向量,然后在每次新增隐层节点时,选择可以达到或小于此节点期望残差的输入权值和偏置作为该节点的输入参数,进而提高网络的收敛速度。除此之外,考虑到算法在不断迭代更新过程中建模误差越来越小,下降趋势越来越不明显的问题,将各指标参数相邻两次迭代均方根误差的差值考虑在算法终止条件内,并借鉴统计过程控制中的西电规则制定了相应的算法收敛判定准则。最后,基于UCI能效数据和实际高炉工业数据,对所提O-I-RVFLNs算法进行了验证和应用。结果表明,相对于其他RVFLNs算法,所提算法建立的数据模型能够获得更紧凑的网络结构以及更好的泛化性能和预测精度。
论文目录
文章来源
类型: 期刊论文
作者: 姜乐,周平
关键词: 神经网络,过拟合,高炉炼铁,优化,动态建模
来源: 化工学报 2019年12期
年度: 2019
分类: 工程科技Ⅰ辑,信息科技
专业: 自动化技术
单位: 东北大学流程工业综合自动化国家重点实验室
基金: 国家自然科学基金项目(61890934,61473064,61790572,61890930),中央高校基本科研业务费专项资金(N180802003),矿冶过程自动控制技术国家(北京市)重点实验室开放课题(BGRIMM-KZSKL-2017-04)
分类号: TP183
页码: 4710-4721
总页数: 12
文件大小: 2748K
下载量: 82