核极限学习机的在线状态预测方法综述

作者：戴金玲; 吴明辉; 刘星; 李睿峰

来源：兵器装备工程学报, 2021, 42(06): 12-19.

• 核极限学习机
• 状态预测
• 遗忘因子
• 时变正则化因子
• 稀疏字典

对非平稳混沌时间序列进行在线预测是当前科学和工程领域中的一个重要研究方向,核极限学习机(kernel extreme learning machine,KELM)为其提供了一种有效的数学模型。由于学习速度快、泛化性能好,在线贯序核极限学习机(online sequential KELM,OSKELM)在状态预测中得到了广泛的研究与扩展。首先,描述了问题并介绍了OSKELM的数学模型;然后,以混沌时间序列为应用背景,对基于OSKELM的各种改进方法进行了分类综述,包括基于数据增量的OSKELM、基于稀疏字典的OSKELM、基于参数寻优和遗忘因子的OSKELM以及其他方法,并对算法性能进行比较和分析;最后总结并讨论了该方法的未来研究方向。