極限學(xué)習(xí)機(jī) 文章進(jìn)入極限學(xué)習(xí)機(jī)技術(shù)社區(qū)

基于BSM1的硝態(tài)氮濃度辨識(shí)建模

　　俞方罡，秦斌（湖南工業(yè)大學(xué)，湖南株洲 412000）　　摘? 要：污水處理過(guò)程復(fù)雜多樣，為方便研究工作，根據(jù)基準(zhǔn)仿真1號(hào)模型（Benchmark Simulation Modelno.1，BSM1）搭建simulink仿真模型。由于控制溶解氧和硝態(tài)氮濃度的穩(wěn)定是污水處理過(guò)程的關(guān)鍵，所以針對(duì)傳統(tǒng)PI控制對(duì)大滯后非線性系統(tǒng)中硝態(tài)氮濃度控制性能低以及系統(tǒng)運(yùn)行速度慢的問(wèn)題，利用極限學(xué)習(xí)機(jī)（ELM）和支持向量機(jī)（SVM）的預(yù)測(cè)能力對(duì)硝態(tài)氮濃度進(jìn)行模型辨識(shí)和比較。結(jié)果證明，在數(shù)據(jù)量較少的情況下，支持向量機(jī)（S
關(guān)鍵字： 202002 污水處理極限學(xué)習(xí)機(jī) 支持向量機(jī) MATLAB仿真

摘要：針對(duì)海量圖像數(shù)據(jù)的識(shí)別問(wèn)題，本文提出了在線極限學(xué)習(xí)機(jī)(online optimized ELM，OP-ELM)。OP-ELM以單隱層前饋神經(jīng)網(wǎng)絡(luò)(single hidden layer feed forward networks，SLFNs)為基礎(chǔ)，固定了隱含節(jié)點(diǎn)數(shù)以及節(jié)點(diǎn)參數(shù)，在在線增量學(xué)習(xí)過(guò)程中綜合考慮歷史數(shù)據(jù)和新數(shù)據(jù)，產(chǎn)生全局唯一的最優(yōu)解，降低了計(jì)算資源的需求，繼承了極限學(xué)習(xí)機(jī)(Extreme Learning Machine，ELM)學(xué)習(xí)速度快泛化性能好的優(yōu)點(diǎn)。因此非常適合于海量圖像數(shù)據(jù)的在
關(guān)鍵字：圖像數(shù)據(jù) 多媒體技術(shù) 極限學(xué)習(xí)機(jī) 201204

共2條 1/1 1

您好，目前還沒(méi)有人創(chuàng)建詞條極限學(xué)習(xí)機(jī)!
歡迎您創(chuàng)建該詞條，闡述對(duì)極限學(xué)習(xí)機(jī)的理解，并與今后在此搜索極限學(xué)習(xí)機(jī)的朋友們分享。創(chuàng)建詞條