基于极限学习离散过程神经网络的示功图识别

来源：信息与控制杂志2016年第5期北京时间：

作者：刘志刚, 许少华, 李盼池, 赵云龙

摘要：针对传统神经网络进行抽油机示功图识别诊断时受同步瞬时输入限制，不能有效体现连续输入信号的时间累积效应，诊断精度偏低的问题，提出一种极限学习离散过程元网络，模型内部通过三次样条数值积分处理离散样本和权值的时域的聚合运算．模型训练算法采用极限学习，将模型训练转化为最小二乘问题，通过利用Moore-Penrose广义逆和隐层输出权值矩阵来计算输出权值，提升模型学习速度．进行示功图识别时，直接将位移和载荷离散时间序列作为模型输入，对常见的5种示功图状态进行识别．实验结果表明，该方法具有较高的识别精度，同时相对于其它过程神经网络模型，学习速度较快．

关键词：示功图, 离散过程神经元网络, 极限学习, Moore-Penrose广义逆, 网络训练