基于改进稀疏KELM的在线非平稳动态系统状态预测方法

摘要

本文针对基于核的增量超限学习机(kernel based incremental extreme learning machine,KB-IELM)对非平稳动态系统的时变状态跟踪能力不足的问题,提出一种新型的状态预测方法.通过融合遗忘因子和自适应时变正则化因子构建新的目标函数.通过最小化字典的快速留一交叉验证(fast leave-one-out cross-validation, FLOO-CV)误差,选择具有预定规模的关键节点以构成字典.通过融合遗忘因子,为字典中各关键节点按时间顺序分配不同权重.基于FLOO-CV原则,使用天牛须搜索(beetle antennae search,BAS)算法为不同的非线性区域赋予不同的正则化参数.通过矩阵初等变换和分块求逆,实现核权重向量的在线递推更新.将模型应用于非平稳M ackey-Glass混沌时间序列预测和某型飞机发动机的状态预测.所提算法相比于最新的非平稳在线序列核超限学习机(non-stationary online sequential kernel extreme learning machine,NOS-KELM)和融合自适应正则化因子的在线稀疏核超限学习机(online sparse kernel extreme learning machine with adaptive regulation factor,OSKELM-ARF)两种方法,其训练精度分别提升了66.67％、50.72％、预测精度提升了67.02％、56.34％,最大预测误差减少了67.27％、51.09％,平均相对误差率分别减少了67.18％、59.62％.实验证明所提算法有效提升了在线预测的精度.