论文摘要
工业过程的产品质量往往难以在线检测,导致建模样本中存在大量的无标记样本,因此建立产品质量软测量模型需要采用半监督学习（SSL）方法。工业过程通常具有慢时变特性,因此所建立的数据模型也应随之改变参数,且具有一定的平滑性。针对这一特性,基于随机权神经网络RVFLN,提出了一种新颖在线自适应半监督学习算法,即OAS-RVFLN。所提算法通过引入L2融合项,采用权值偏差约束,将离线和在线学习相统一,并使模型参数的优化问题得到平滑性。在基准测试函数和数据集上的实验研究表明所提出的OAS-RVFLN在学习速度和精度均优于传统方法;并将其应用于煤炭工业的重介质选煤过程,估计产品灰分,进一步验证了其有效性以及工业应用的潜力。
论文目录
文章来源
类型: 期刊论文
作者: 代伟,胡金成,程玉虎,王雪松,柴天佑
关键词: 半监督学习,融合项,在线自适应,随机权神经网络
来源: Journal of Central South University 2019年12期
年度: 2019
分类: 工程科技Ⅱ辑,工程科技Ⅰ辑,信息科技
专业: 矿业工程,自动化技术
单位: School of Information and Control Engineering, China University of Mining and Technology,State Key Laboratory of Synthetical Automation for Process Industries, Northeastern University
基金: Projects(61603393,61973306)supported in part by the National Natural Science Foundation of China,Project(BK20160275)supported by the Natural Science Foundation of Jiangsu Province,China,Projects(2015M581885,2018T110571)supported by the Postdoctoral Science Foundation of China,Project(PAL-N201706)supported by the Open Project Foundation of State Key Laboratory of Synthetical Automation for Process Industries of Northeastern University,China
分类号: TD94;TD92;TP18
页码: 3338-3350
总页数: 13
文件大小: 907K
下载量: 93