控制与决策

作者：王强,吕政,王霖青,王伟

单位：大连理工大学控制科学与工程学院，辽宁大连116024,,大连理工大学控制科学与工程学院，辽宁大连116024,,大连理工大学控制科学与工程学院，辽宁大连116024,,大连理工大学控制科学与工程学院，辽宁大连116024,

关键词：特征提取;深度学习;最小二乘支持向量机;长期预测;去噪

基金：国家自然科学基金项目(61533005,61703070,61603069)；中央大学基础研究基金项目(DUT16RC(3)031).

针对最小二乘支持向量机核函数结构较浅对其长期预测模型精度的限制,采用深度学习中逐层特征提取的思想,提出基于深度去噪核映射的最小二乘支持向量机长期预测模型.该模型通过深度核网络的逐层变换,将样本数据映射到深度特征空间,从而有效提高其长期预测的精度.此外,为了提高模型对含高噪声数据的拟合性能,将去噪算法融入深度核网络的训练过程中,并通过反向传播算法对核网络参数进行整体微调.标准数据集及实际工业数据的仿真实验结果表明,所提方法能够有效提取数据中蕴含的特征信息,提高预测模型的精度.

来源：2019年第5期

《控制与决策》期刊编辑部

查看控制与决策杂志2019年第5期