首页|奇异值分解下在线鲁棒正则化随机网络

奇异值分解下在线鲁棒正则化随机网络

扫码查看
原文链接
  • 国家科技期刊平台
  • NETL
  • NSTL
  • 万方数据
在线鲁棒随机权神经网络(OR-RVFLN)具有较好的逼近性、较快的收敛速度、较高的鲁棒性能以及较小的存储空间。但是，OR-RVFLN算法计算过程中会产生矩阵的不适定问题，使得隐含层输出矩阵的精度较低。针对这个问题，本文提出了奇异值分解下在线鲁棒正则化随机网络(SVD-OR-RRVFLN)。该算法在OR-RVFLN算法的基础上，将正则化项引入到权值的估计中，并且对隐含层输出矩阵进行奇异值分解;同时采用核密度估计(KDE)法，对整个SVD-OR-RRVFLN网络的权值矩阵进行更新，并分析了所提算法的必要性和收敛性。最后，将所提的方法应用于Benchmark数据集和磨矿粒度的指标预测中，实验结果证实了该算法不仅可以有效地提高模型的预测精度和鲁棒性能，而且具有更快的训练速度。
Online robust regularized random networks under singular value decomposition
Online robust random vector functional link network(OR-RVFLN)has better approximation,faster conver-gence speed,higher robustness and smaller storage space.However,the OR-RVFLN algorithm can cause the ill-posed problem of the matrix in the calculation process,which makes the low precision of the hidden layer output matrix.To solve this problem,based on the singular value decomposition approach,this paper proposes the online robust regularized random vector functional link network(SVD-OR-RRVFLN).Firstly,the SVD-OR-RRVFLN introduces the regularization term into the OR-RVFLN algorithm,and the singular value decomposition approach is used for the hidden layer output matrix.Further,the kernel density estimation(KDE)method is used to update the matrix weight.Secondly,the necessity and convergence of the proposed algorithm are analyzed.Finally,the proposed method is applied to Benchmark data set and the index prediction of grinding particle size.The experimental results show that the proposed algorithm can not only effectively improve the prediction accuracy and robustness of the model,but also have faster training speed.

random vector functional link networkregularizationsingular value decompositiongrinding processgrinding particle size

于洋、邓瑞、余刚、庞新富

展开 >

沈阳航空航天大学自动化学院,辽宁沈阳 110000

矿冶过程自动控制技术国家重点实验室,北京 100160

矿冶自动控制技术北京市重点实验室,北京 100160

沈阳工程学院自动化学院,辽宁沈阳 110000

展开 >

随机权神经网络 正则化 奇异值分解 磨矿过程 磨矿粒度

矿冶过程自动控制技术国家重点实验室矿冶过程自动控制技术北京市重点实验室项目国家自然科学基金辽宁省自然科学基金

BGRIMM-KZSKL-2021-03617732692021-BS-189

2024

10.7641/CTA.2023.20857

控制理论与应用
华南理工大学 中国科学院数学与系统科学研究院

控制理论与应用

CSTPCD北大核心
影响因子：1.076
ISSN：1000-8152
年,卷(期)：2024.41(3)
  • 44