《表1 实验1参数设置:一种基于改进KELM的在线状态预测方法》
注:L为Re OS-ELM中隐层神经元个数;z为FOKELM中时间窗长度;ALD-KOS-ELM中的b表示ALD准则需要设置的阈值;NOS-KELM中的δ和η均是梯度下降法中运用动态学习率时需要设置的常数,详细请参见相关文献[17]。
实验中所有方法的对应参数均与文献[17]一致,如表1所示,其预测结果如表2所示。由表2可知:(1)由ReOS-ELM和其他方法的对比可知,在大多数情况下(ReOS-ELM的实验结果具有随机性),从精度上看,基于核的在线预测方法优于ReOS-ELM;从训练时间上看,Re OS-ELM勉强与KB-IELM相当,但远远差于带稀疏化过程的方法;ReOS-ELM的预测稳定性是最差的。(2)由KB-IELM和FF-KB-IELM及FOKELM和FF-FOKELM的对比可知,加上遗忘因子后,原有方法无论是在精度还是在训练及预测时间上都小有提升,这是因为遗忘因子的引入使模型在学习过程中能够不同程度地忘记过时数据,进而降低其在学习过程中的不利影响,同时更快地适应新到数据。(3)得益于遗忘因子及基于FLOO-CV误差的稀疏字典选择,本文方法在训练时间、精度及预测稳定性3个方面都远远超过KB-IELM,即使与文献[17]的NOS-KELM方法相比,本文方法也具有明显优势。在同样的数据集、硬件平台、算法参数的条件下,其保持预测时间极短的同时,训练时间缩短了92%,训练和预测精度分别提升了67%、65%,MAPE及MRPE分别提升了58%、63%。
图表编号 | XD0051788200 严禁用于非法目的 |
---|---|
绘制时间 | 2019.07.01 |
作者 | 朱敏、许爱强、陈强强、李睿峰 |
绘制单位 | 海军航空大学、海军航空大学、海军航空大学、海军航空大学 |
更多格式 | 高清、无水印(增值服务) |