[发明专利]集成超限学习机和Hammerstein-Wiener的复杂非线性系统建模方法在审
| 申请号： | 201910537272.8 | 申请日： | 2019-06-20 |
| 公开（公告）号： | CN110363285A | 公开（公告）日： | 2019-10-22 |
| 发明（设计）人： | 徐康康;杨海东;印四华;朱成就 | 申请（专利权）人： | 广东工业大学 |
| 主分类号： | G06N3/04 | 分类号： | G06N3/04;G06N3/08;G06N3/10 |
| 代理公司： | 广州粤高专利商标代理有限公司 44102 | 代理人： | 林丽明 |
| 地址： | 510006 广东*** | 国省代码： | 广东;44 |
| 权利要求书： | 查看更多 | 说明书： | 查看更多 |
| 摘要： | 本发明提供的集成超限学习机和Hammerstein‑Wiener的复杂非线性系统建模方法，包括：利用两个独立的超限学习机ELM网络，即单隐层前馈网络逼近Hammerstein‑Wiener模型的静态非线性单元，对静态非线性单元进行参数表示；利用lipschitz商准则对基于ELM的Hammerstein‑Wiener模型的线性子系统结构进行估计，确定模型阶数；构建ELM算法，计算线性子系统结构和非线性子系统的参数，完成参数识别；构建模型并对模型泛化性能进行评估，得到模型的泛化界。本发明提供的一种集成超限学习机和Hammerstein‑Wiener的复杂非线性系统建模方法，通过构建ELM算法，具有较快的学习速度和较小的计算复杂度，且计算效率高；该方法涉及的算法数学描述简单，用最小二乘解识别未知参数，能较快地逼近工业过程的非线性问题。 | ||
| 搜索关键词： | 学习机 超限 复杂非线性系统 构建 建模 算法 非线性单元 线性子系统 逼近 非线性子系统 非线性问题 计算复杂度 最小二乘解 参数表示 参数识别 泛化性能 工业过程 计算效率 模型阶数 前馈网络 数学描述 未知参数 单隐层 评估 网络 学习 | ||
【主权项】：
1.集成超限学习机和Hammerstein‑Wiener的复杂非线性系统建模方法，其特征在于，包括以下步骤：S1：利用两个独立的超限学习机ELM网络，即单隐层前馈网络逼近Hammerstein‑Wiener模型的静态非线性单元，对静态非线性单元进行参数表示；S2：利用lipschitz商准则对基于ELM的Hammerstein‑Wiener模型的线性子系统结构进行估计，确定模型阶数；S3：构建ELM算法，计算线性子系统结构和非线性子系统的参数，完成参数识别；S4：构建模型并对模型泛化性能进行评估，得到模型的泛化界。
下载完整专利技术内容需要扣除积分，VIP会员可以免费下载。
该专利技术资料仅供研究查看技术是否侵权等信息，商用须获得专利权人授权。该专利全部权利属于广东工业大学，未经广东工业大学许可，擅自商用是侵权行为。如果您想购买此专利、获得商业授权和技术合作，请联系【客服】
本文链接：http://www.vipzhuanli.com/patent/201910537272.8/，转载请声明来源钻瓜专利网。
