论文部分内容阅读
为了抑制辨识模型阶数的不断增长，适应系统的时变动态特征，以滑动时间窗为基本建模策略，提出了一种具有自适应正则化因子的核超限学习机（kernel extreme1earning machine，KELM）在线辨识方法。通过构建新的目标函数，使得正则化因子可以随着系统动态而改变，保证了模型在不同的非线性区域拥有不同的结构风险；通过构建统一的学习框架，在保证每一次训练迭代中学习过程稀疏化的同时，实现了核权重系数与正则化因子的同步更新。实验结果表明，提出的方法相比与其他基于KELM的在线序贯学习方法，在有无噪声的