文献类型：期刊文献

中文题名：基于收缩极限学习机的故障诊断鲁棒方法

英文题名：Contractive-ELM based robust method for fault diagnosis

作者：陈剑挺[1];吴志国[2];叶贞成[1];朱远明[1];程辉[1]

机构：[1]华东理工大学化工过程先进控制和优化技术教育部重点实验室,上海200237;[2]安徽海螺集团有限责任公司,安徽芜湖241000

年份：2020

卷号：41

期号：1

起止页码：208

中文期刊名：计算机工程与设计

外文期刊名：Computer Engineering and Design

收录：CSTPCD;;北大核心:【北大核心2017】；

基金：国家重点研发计划基金项目(2016YFB0303405);国家杰出青年科学基金项目(61725301);国家自然科学基金青年基金项目(61503138);上海市自然科学基金项目(16ZR1407300)

语种：中文

中文关键词：鲁棒性;极限学习机;雅克比矩阵;自编码器;故障诊断

外文关键词：robustness;extreme learning machine;Jacobian matrix;autoencoder;fault diagnosis

摘要：为降低特征噪声对分类性能的影响,提出一种基于极限学习机(extreme learning machine,ELM)的收缩极限学习机鲁棒算法模型(CELM)。采用自编码器对输入数据进行重构,将隐层输出值关于输入的雅克比矩阵的F范数引入到目标函数中,提取出更具鲁棒性的抽象特征表示,利用提取到的新特征对常规的ELM层进行训练,提高方法的鲁棒性。对Mnist、UCI数据集、TE过程数据集以及添加不同强度的混合高斯噪声之后的Mnist数据集进行仿真,实验结果表明,提出的方法较ELM、HELM具有更高的分类精度和更好的鲁棒性。
To reduce the influence of feature noise on classification performance,a contractive-ELM robust algorithm based on extreme learning machine(ELM)was presented.The input data were reconstructed using the autoencoder,the Frobenius norm of the Jacobian matrix of the hidden layer output about the input was introduced into the objective function,and the abstract feature representation with more robustness was extracted.The new features extracted were used to train the conventional ELM layer to improve the robustness of the method.Performance comparisons of the method were presented using Mnist dataset,UCI datasets,Tennessee Eastman process datasets and Mnist datasets with mixed Gaussian noise of different levels.Experimental results show that the proposed algorithm has higher accuracy and better robustness than ELM and HELM.