基于QPSO-ELM的过程神经网络及时间序列预测

• 作者: 冯永强 刘志刚 李盼池 许少华
• 来源期刊: 控制工程
• 学科: 工学
• 关键词: 过程神经元网络 极限学习 量子粒子群 网络训练
• 年，卷（期）: 2018,（3）
• 所属期刊栏目: 人工智能驱动的自动化
• 页码范围: 477-483
• 页数: 7页
• 分类号: TP183
• 字数: 6652字
• 语种: 中文
• DOI: 10.14107/j.cnki.kzgc.151289

摘要

过程神经网络模型结构复杂,正交基展开后学习参数多,传统梯度下降存在对初值敏感、计算复杂等问题,将过程神经网络进行正交基展开化简,在结构上转化为统神经网络,利用极限学习作为过程神经元网络的学习算法.学习过程中摒弃梯度下降算法的迭代调整策略,采用 Moore-Penrose 广义逆计算输出权值,同时为弥补该算法由于随机赋值造成的模型稳定性差的缺点,提出一种双链结构的量子粒子群算法,优化极限学习过程中随机赋值参数.二者结合使用,使模型在稳定性、训练误差方面都得到了一定程度的提高.仿真实验以Mackey-Glass时间序列和太阳黑子预测为例验证了算法的有效性.

作者信息

序号	姓名	单位	发文数	被引次数	H指数	G指数
1	刘志刚	东北石油大学计算机与信息技术学院	33	104	6.0	8.0
2	李盼池	东北石油大学计算机与信息技术学院	93	344	9.0	11.0
3	许少华	山东科技大学信息科学与工程学院	30	56	4.0	5.0
4	冯永强	中石油天然气股份有限公司管道分公司信息中心	1	1	1.0	1.0