基于数据属性划分的递阶ELM研究及化工应用
针对极限学习机(ELM)不能有效处理化工过程中强耦合、带噪声的高维数据建模问题,提出了一种基于数据属性划分的递阶ELM神经网络DHELM.该神经网络采用数据属性划分(DAD)方法对高维输入进行聚类、建立自联想子网,并将自联想子网所提取的特征分量作为极限学习机的输入进行建模.同时,利用UCI标准数据集进行了测试,通过工业应用实例进行了验证,并进行了模型对比.结果表明,DHELM网络在处理复杂高维数据时具有收敛速度快、建模精度高、网络稳定性强的特点,为神经网络发展及其化工应用提供了新思路.
化工过程 高维数据 极限学习机 自联想神经网络 数据属性划分
高慧慧 贺彦林 彭荻 朱群雄
北京化工大学信息科学与技术学院,北京100029
国内会议
呼和浩特
中文
4348-4353
2013-08-01（万方平台首次上网日期，不代表论文的发表时间）