典型文献
结合栈式监督AE与可变加权ELM的回归预测模型
文献摘要：
在现代工业生产过程中,许多关键变量与产品质量或生产效率密切相关,关键变量的实时监测是实现利润最大化及节能降耗的有效途径.针对回归预测任务中目标特征提取不全面、预测精度较低等问题,提出一种基于栈式监督自编码器与可变加权极限学习机的回归预测模型.通过堆叠多层自编码器并在每层自编码器中添加回归网络,同时以有监督方式对栈式自编码器(SAE)进行逐层预训练,得到与输出变量相关的特征表示.利用反向传播算法对网络参数进行微调,优化自编码器模型参数.在分析提取特征与输出变量的相关性基础上,对极限学习机(ELM)的输入权值和偏置进行加权得到预测结果.实验结果表明,与基于ELM和SAE-ELM的回归预测模型相比,该模型在多晶硅铸锭的G6产品数据集上的均方根误差降低0.056 7和0.011 2、决定系数提高0.489 3和0.290 3,具有更高的回归预测准确性及更强的鲁棒性与泛化性能.
文献关键词：
自编码器;极限学习机;回归预测;深度学习;特征提取
中图分类号：
作者姓名：
闫静;张雪英;李凤莲;陈桂军;黄丽霞
作者机构：
太原理工大学信息与计算机学院,太原030024
文献出处：
引用格式：
[1]闫静;张雪英;李凤莲;陈桂军;黄丽霞-.结合栈式监督AE与可变加权ELM的回归预测模型)[J].计算机工程,2022(08):62-69,76
A类：
B类：
ELM,回归预测模型,现代工业,关键变量,利润最大化,节能降耗,目标特征,极限学习机,堆叠,每层,加回,有监督,监督方式,栈式自编码器,SAE,逐层,预训练,特征表示,反向传播算法,网络参数,微调,提取特征,对极,权值,偏置,多晶硅,铸锭,G6,产品数据,决定系数,预测准确性,泛化性能
AB值：
0.292273
相似文献
机标中图分类号，由域田数据科技根据网络公开资料自动分析生成，仅供学习研究参考。
