论文部分内容阅读
针对每样本递推更新的在线建模方法计算消耗大、常用的人工智能建模方法学习速度慢的缺点,为能够对软测量模型进行有效更新和提高在线模型的学习速度,提出了一种基于选择性更新的在线核极限学习机(KELM)建模方法。该方法首先采用近似线性依靠(ALD)条件判别新样本与建模样本间的线性独立依靠程度,选择满足设定条件、含有足够新信息的样本对软测量模型进行更新,降低了模型在线学习次数;然后选择学习速度快、泛化性强的KELM方法建立软测量模型,有效地避免了极限学习机(ELM)模型固有的随机性和支持向量机(SVM)模型求解的复杂性;最后将ALD条件和KELM算法有效结合,提高了在线软测量模型的学习速度和预测性能。通过合成数据的仿真实验结果验证了所提方法的有效性。