基于改进极限学习机的软测量建模方法

计算机工程与应用 ›› 2012, Vol. 48 ›› Issue (20): 51-54.

基于改进极限学习机的软测量建模方法

张东娟，丁煜函，刘国海，梅从立

江苏大学电气信息工程学院自动化系，江苏镇江 212013

出版日期:2012-07-11 发布日期:2012-07-10

Soft sensor modeling based on improved extreme learning machine algorithm

ZHANG Dongjuan, DING Yuhan, LIU Guohai, MEI Congli

Department of Automation, School of Electrical and Information Engineering, Jiangsu University, Zhenjiang, Jiangsu 212013, China

Online:2012-07-11 Published:2012-07-10

摘要/Abstract

摘要： 针对生物发酵过程中一些生物参量难以测量的问题，提出一种基于改进极限学习机（IELM）的软测量建模方法。该方法通过最小二乘方法和误差反馈原理计算出最优的网络输入到隐含层的学习参数，以提高模型的稳定性和预测精度。通过双对角化方法计算出最优的输出权值，解决输出矩阵的病态问题，进一步提高模型的稳定性。将所提方法应用于红霉素发酵过程生物量浓度的软测量。结果表明，与ELM、PL-ELM、IRLS-ELM软测量建模方法相比，IELM在线软测量建模方法具有更高的预测精度和更强的泛化能力。

关键词: 极限学习机, 软测量, 双对角化, 发酵过程

Abstract: To solve the problem that biomass concentration is difficult to measure directly in the fermentation process, a soft sensor modeling method based on Improved Extreme Learning Machine（IELM） is proposed. The least squares method is combined with the ELM algorithm to calculate the optimal learning parameters. And the training error is used as feedback input to improve the stability and prediction of ELM. In order to further improve the stability of the model, the Lanczos Bidiagonalization（LBD） is used to calculate the output weights. The proposed modeling method is used to construct a novel soft sensor model for the erythromycin fermentation process. Compared with ELM、IRLS-ELM and PL-ELM model, IELM model has higher prediction accuracy and stronger generalization capability.

Key words: extreme learning machine, soft sensor, Lanczos bidiagonalization, fermentation process

张东娟，丁煜函，刘国海，梅从立. 基于改进极限学习机的软测量建模方法[J]. 计算机工程与应用, 2012, 48(20): 51-54.

ZHANG Dongjuan, DING Yuhan, LIU Guohai, MEI Congli. Soft sensor modeling based on improved extreme learning machine algorithm[J]. Computer Engineering and Applications, 2012, 48(20): 51-54.

[1]	黄泽英，李海艳，林景亮. 迁移学习下的极限学习机代理建模方法及应用[J]. 计算机工程与应用, 2021, 57(22): 257-262.
[2]	沈少禹，蔡满春，芦天亮，赵琪. 基于LFKPCA-DWELM的入侵检测方案[J]. 计算机工程与应用, 2021, 57(17): 130-137.
[3]	赵京霞，钱育蓉，南方哲，张晗，行艳妮. CNN多层特征融合与ELM的乳腺疾病诊断方法[J]. 计算机工程与应用, 2020, 56(4): 122-127.
[4]	赵童，黄钲，王秀超，李淼，张昀，郑秀娟，刘凯. 心理测试中掩饰行为的识别研究[J]. 计算机工程与应用, 2020, 56(20): 158-164.
[5]	杨锦朋，常俊，余江，李晓薇. 免校准的跨异构设备的室内定位方法[J]. 计算机工程与应用, 2020, 56(2): 248-254.
[6]	陈媛，陈晓云. 流形极限学习机自编码特征表示[J]. 计算机工程与应用, 2020, 56(17): 150-155.
[7]	杨彦荣，宋荣杰，周兆永. 基于GAN-PSO-ELM的网络入侵检测方法[J]. 计算机工程与应用, 2020, 56(12): 66-72.
[8]	耿银凤，张雪英，李凤莲，胡风云，贾文辉，王超. 优化极限学习机及其在脑卒中TCD数据分类应用[J]. 计算机工程与应用, 2020, 56(10): 268-272.
[9]	邵良杉，李臣浩. 基于改进花粉算法的极限学习机分类模型[J]. 计算机工程与应用, 2020, 56(1): 172-179.
[10]	睢璐璐，韩东升，闫飞，阎高伟. 多任务正则极限学习机的研究与应用[J]. 计算机工程与应用, 2019, 55(3): 120-125.
[11]	易明雨，肖赤心，潘晖，舒文杰. 用于大数据分类的快速隐层优化分布式极限学习机[J]. 计算机工程与应用, 2019, 55(16): 165-169.
[12]	吴建波，王春艳，洪华军，方伟. 基于极限学习机的船舶柴油机故障诊断[J]. 计算机工程与应用, 2019, 55(15): 147-152.
[13]	魏迪，刘德山，闫德勤，张悦. 应用于人脸图像识别的邻域保持极限学习机[J]. 计算机工程与应用, 2019, 55(11): 187-191.
[14]	赵建堂. 大数据分割式极限学习机算法[J]. 计算机工程与应用, 2019, 55(10): 73-76.
[15]	贺高1，蒋明峰1，郑俊褒1，龚莹岚2. 卷积神经网络在心电逆问题中的应用[J]. 计算机工程与应用, 2019, 55(1): 123-127.