分类: 计算机科学 >> 计算机科学的集成理论 提交时间: 2019-05-10 合作期刊: 《计算机应用研究》
摘要: 工业过程常含有显著的非线性、时变等复杂特性,传统的极限学习机有时无法充分利用数据信息,故所建软测量模型预测性能较差。为了提高极限学习机的泛化能力和预测精度,提出一种改进粒子群优化的极限学习机软测量建模方法。首先,利用高斯函数正态分布的特点实现惯性权重的自适应更新,并线性变化学习因子,以提高粒子群优化算法的收敛速度和搜索性能;然后,将该算法用于优化极限学习机的惩罚系数和核宽,得到一组最优超参数;最后,将该方法应用于脱丁烷塔过程软测量建模中。仿真结果表明,优化后的极限学习机模型预测精度有明显的提高,验证了所提方法不仅是可行的,而且具有良好的预测精度和泛化性能。