论文摘要
为实现柴油机故障在线诊断,提出了基于增量稀疏核极限学习机(ISKELM)的快速在线诊断方法.针对核在线学习中的样本稀疏化与模型膨胀问题,提出了基于瞬时信息测量的稀疏核函数字典构造策略,根据最小化字典冗余和最大化字典元素自信息量的原则实现样本前向稀疏与后向删减,在最佳阶数内对字典进行在线扩充与修剪,从而建立阶数有限且结构稀疏的诊断模型.针对模型核权重矩阵更新问题,提出了增样学习与改进减样学习算法对核权重矩阵进行在线递推求解,降低了计算复杂度,提高了模型在线更新速度.UCI标准数据与柴油机故障数据分类实验结果表明,与几类现有在线诊断算法相比,ISKELM在保证较高分类精度的同时,极大地提高了在线建模速度,更加快速准确地实现了柴油机故障在线诊断.
论文目录
文章来源
类型: 期刊论文
作者: 刘敏,张英堂,李志宁,范红波
关键词: 增量稀疏核极限学习机,样本稀疏,瞬时信息测量,稀疏核函数字典,减样学习,在线诊断
来源: 上海交通大学学报 2019年02期
年度: 2019
分类: 工程科技Ⅱ辑
专业: 动力工程
单位: 陆军工程大学石家庄校区七系
基金: 国家自然科学基金资助项目(51305454)
分类号: TK428
DOI: 10.16183/j.cnki.jsjtu.2019.02.013
页码: 217-224
总页数: 8
文件大小: 1433K
下载量: 154
相关论文文献
标签：增量稀疏核极限学习机论文; 样本稀疏论文; 瞬时信息测量论文; 稀疏核函数字典论文; 减样学习论文; 在线诊断论文;