基于贯序正则极端学习机的时间序列预测及其应用

摘要

为实现对液压泵特征参数的在线预测,提出一种贯序正则极端学习机(SRELM),并研究了基于SRELM的预测方法.SRELM根据结构风险最小化原理实现网络训练,其网络权值可随新样本的逐次加入而递推求解,具有泛化能力强与训练速度快的优点,因此适于特征参数的在线预测.基于SRELM的预测方法利用特征参数训练SRELM模型,以逐次增加新数据的方式对SRELM模型进行在线训练,并利用训练后的SRELM模型对未来时刻的特征参数进行外推预测.液压泵特征参数预测实例表明,基于SRELM的特征参数预测方法具有预测精度高与计算效率高的优点,其综合性能优于基于传统迭代式神经网络的预测方法与基于支持向量机的预测方法.