在线核极限学习机及其在时间序列预测中的应用

来源：信息与控制杂志2014年第5期北京时间：

作者：马超, 张英堂

摘要：为有效利用贯序输入的状态参数对液压设备的运行状态进行在线实时监测，提出一种在线核极限学习机方法（OL-KELM）．OL-KELM采用Cholesky分解将核极限学习机（KELM）从离线模式扩展到在线模式，其网络权值可在历史训练数据的基础上，随新样本的输入而递推求解更新，并以简单的四则运算替代复杂的矩阵求逆，从而提高网络的学习效率．混沌时间序列在线预测仿真表明，在获得同样预测精度的条件下，该方法的训练时间为KELM的40%～60%；基于时间序列预测的液压泵状态在线实时监测实例表明，该方法的预测误差为SRELM（sequential regularized extreme learning machine）的28.3%～46.2%，且鲁棒性更强，故OL-KELM能够满足液压设备在线实时状态监测的要求．

关键词：核极限学习机, 时间序列预测, 液压泵, 状态监测, 鲁棒性