论文部分内容阅读
在解决实际问题过程中,经常会遇到大延迟、强耦合的非线性复杂系统,导致传统机理建模法很难建立高精度的数学模型。而神经网络的出现为解决以上问题提供了一种有效方法。然而,常规神经网络在应用过程中,由于采用随机梯度下降法确定网络权值和阈值,致使网络存在训练耗时长与易陷入局部最优的缺陷。针对此不足,极端学习机以其独特的学习机制克服了冗长的参数迭代过程,同时拥有很好的泛化能力。因此,本文对极端学习机做了专题研究并对其进行了改进,然后将改进算法应用于UCI数据集和实际工程问题。本文主要研究内容描述如下:(1)在极端学习机(Extreme Learning Machine,ELM)的基础上,提出一种新的神经网络算法——循环卷积并联极端学习机(Circular Convolution Parallel Extreme Learning Machine,CCPELM)。然后采用9种经典的UCI回归问题对CCPELM算法的有效性进行了验证。为了进一步提高CCPELM算法的性能,提出了改进的CCPELM——加强型快速学习网(Upgrades Fast Learning Network,U-FLN)。同样在上述9种问题上,相比其他几种优秀算法,U-FLN展现出更优秀的泛化能力。另外,为了验证U-FLN在实际应用的有效性,将两种改进算法应用于300MW煤粉炉热效率的建模,通过仿真实验结果可知,U-FLN比其他算法能更好的预测锅炉热效率。(2)在上述离线算法的基础上,提出一种在线学习算法——序贯循环卷积并联极端学习机(Online Sequential Circular Convolution Parallel Extreme Learning Machine,OCCPELM)。将OCCPELM应用于6个UCI数据集的建模,仿真结果表明了在隐层激励函数采用“sigmoid”函数的条件下,OCCPELM可以获得较小的预测误差,同时OCCPELM在大范围隐层节点数目内拥有良好稳定性。随后将OCCPELM应用于300MW煤粉炉热效率的在线模拟,仿真结果显示OCCPELM模型比其他优秀的模型具有更好的泛化能力,同时具有好的稳定性和快速学习能力,更重要的是OCCPELM模型比其他模型受初始训练样本数目的影响较小,可以实现热效率在线建模和预测。