基于改进极限学习机的入口氮氧化物预测

摘要

针对在线贯序极限学习机更新时没有考虑到数据的时效性、网络结构难确定的问题,提出基于灵敏度剪枝和遗忘因子的极限学习机(SAFFOS-RELM).将灵敏度剪枝算法和自适应遗忘因子融入OS-ELM算法中,在初始化阶段,加入灵敏度剪枝算法获得更紧凑的网络,删除冗余节点来增强网络的泛化能力;贯序更新阶段加入自适应遗忘因子,根据新到的数据信息更新输出权值,特别适合于时变系统,利用Mackey-Glass混沌时间序列和入口氮氧化物时间序列验证算法的可行性.仿真结果表明,该算法的泛化能力和计算时间优于OS-RELM、FFOS-RELM算法.