一种基于积累一致性测量的在线状态预测算法

摘要

针对核极限学习机(Extreme Learning Machine with Kernel,KELM)在线应用过程中,核矩阵膨胀,导致算法复杂性不断上升,且难以跟踪系统时变特征的问题,以滑动时间窗为基本建模策略,提出了一种新的KELM在线稀疏学习算法.在前向与后向稀疏化过程中,基于提出的构造与修剪策略,通过在线最小化字典的积累一致性,可选择一组具有预定规模的关键节点.在增样学习与减样学习过程中,基于节点选择结果,利用矩阵的初等变换与分块矩阵求逆公式,模型参数能被在线递推更新.提出的算法被用于混沌时间序列预测与音频放大器状态预测.实验结果表明:相比于4种流形的在线序贯ELM算法,提出的方法在花费相似的测试时间的条件下,能够显著提升预测精度,且具有较好的稳定性.