基于随机梯度的极限学习机用于先进燃烧发动机的在线学习
神经与进化计算
2015-01-19 v1 机器学习
系统与控制
摘要
本文提出了一种基于随机梯度的极限学习机(ELM)在线学习算法(SG-ELM)。基于李雅普诺夫方法的稳定性判据被用于证明估计误差的渐近稳定性以及适用于非线性动态系统辨识的估计参数稳定性。所开发的算法不仅保证稳定性，而且相比基于递归最小二乘的OS-ELM方法降低了计算需求。为展示该算法在真实场景中的有效性，考虑了一个先进燃烧发动机辨识问题。该算法应用于两个案例研究：均质充量压燃(HCCI)发动机系统辨识的在线回归学习，以及用于辨识HCCI发动机动态运行包络的在线分类学习（存在类不平衡）。结果表明，所提出的SG-ELM精度与最先进水平相当，但增加了稳定性并减少了计算量。
引用
@article{arxiv.1501.03975,
title = {Stochastic Gradient Based Extreme Learning Machines For Online Learning of Advanced Combustion Engines},
author = {Vijay Manikandan Janakiraman and XuanLong Nguyen and Dennis Assanis},
journal= {arXiv preprint arXiv:1501.03975},
year = {2015}
}
备注
This paper was written as an extract from my PhD thesis (July 2013) and so references may not be to date as of this submission (Jan 2015). The article is in review and contains 10 figures, 35 references