科研之友
微信
新浪微博
Facebook
分享链接
摘要
LSTM本身具有良好的非线性逼近能力,但在应用于化工流程工业建模时,存在模型泛化能力低的问题。对此,提出一种基于L2正则化LSTM的非线性动态系统辨识策略,将L2正则化项引入网络的损失函数中,优化网络结构,从而提高模型泛化能力。同时,利用TE过程进行相关验证实验,仿真结果表明:所提出的方法优于传统的BP神经网络和支持向量回归,能够有效地提高模型的精度和泛化能力,降低对辨识输入数据的要求。
- 单位
LSTM本身具有良好的非线性逼近能力,但在应用于化工流程工业建模时,存在模型泛化能力低的问题。对此,提出一种基于L2正则化LSTM的非线性动态系统辨识策略,将L2正则化项引入网络的损失函数中,优化网络结构,从而提高模型泛化能力。同时,利用TE过程进行相关验证实验,仿真结果表明:所提出的方法优于传统的BP神经网络和支持向量回归,能够有效地提高模型的精度和泛化能力,降低对辨识输入数据的要求。
