基于多尺度集成极限学习机回归（Matlab代码实现）

71 阅读 0 评论 47 点赞

我是靠谱客的博主健忘小刺猬，最近开发中收集的这篇文章主要介绍基于多尺度集成极限学习机回归（Matlab代码实现），觉得挺不错的，现在分享给大家，希望可以做个参考。

概述

????????????????欢迎来到本博客❤️❤️????????

????博主优势：????????????博客内容尽量做到思维缜密，逻辑清晰，为了方便读者。

⛳️座右铭：行百里者，半于九十。

目录

????1 概述

????2 运行结果

????3 参考文献

????4 Matlab代码及文章详细阅读

????1 概述

基于传统预测范式（如物理建模）的复杂系统的剩余使用寿命（RUL）可被视为非常困难的任务，因为需要对系统组件及其内部交互的深入了解。此外，大多数物理模型都是在有限条件下构建的，这是对差泛化的适当解释[1]。如今，由于传感器技术的不断发展，操作系统历史数据的可用性使得机器学习（ML）工具受到越来越多的关注。用训练工具取代经典预测范式是减少复杂性和人为干预的适当解决方案。

本文可以被视为设计未来竞争性数据驱动方法的第一步，用于飞机发动机的剩余使用寿命预测。所提出的方法是串行连接的极端学习机器的集合。第一网络的预测结果被缩放并作为原始输入的附加特征馈送到下一网络。这种特征映射允许通过保持关于目标函数的可能行为的新的先验知识来增加训练输入与其目标的相关性。使用从NASA提供的公共数据集C-MAPSS（商业模块化航空推进系统仿真）中检索的一组“时变”数据，在剩余有用估计下对所提出的方法进行评估。将预测性能与基本的极值学习机进行了比较，并证明了所提出方法的有效性。

文献来源：

????2 运行结果

部分代码：

clear all
clc
addpath('codes')
randn('state',0);
%%
load ('data.mat')
%% define options
Nlayers=4;
H=zeros(1,Nlayers);
c=0;
%%
for i=1:20:400+1;
i
H(:,:)=i;
c=c+1;
node(c)=sum(H);

Options.Layers=H;
Options.N=sum(Options.Layers);
% Apllication
[net]=ELM(x,y,xt,yt,Options);
tr_acc(c)=net.tr_acc;
ts_acc(c)=net.ts_acc;
tr_time(c)=net.tr_time;
ts_time(c)=net.ts_time;
[net2]=MSELM(x,y,xt,yt,Options);
tr_acc2(c)= net2.tr_acc;
ts_acc2(c)= net2.ts_acc;
tr_time2(c)=net2.tr_time;
ts_time2(c)=net2.ts_time;

end
%%
save('results')
%clear all
%clc
load('results.mat')
%% plot
f=10;
subplot(121)
plot(node,smooth(tr_time,f)...
,'b',node,smooth(tr_time2,f),'r'...
,'LineWidth',2)
legend('ELM','MSE-ELM');
xlabel('hidden nodes','FontName','Times New Roman','FontSize',10)
ylabel('time,s','FontName','Times New Roman','FontSize',10)
title('training','FontName','Times New Roman','FontSize',10)
%
subplot(122)
plot(node,smooth(ts_time,f)...
,'b',node,smooth(ts_time2,f),'r'...
,'LineWidth',2)
legend('ELM','MSE-ELM');
xlabel('hidden nodes','FontName','Times New Roman','FontSize',10)
ylabel('time,s','FontName','Times New Roman','FontSize',10)
title('testing','FontName','Times New Roman','FontSize',10)
%

????3 参考文献

部分理论来源于网络，如有侵权请联系删除。

[1]Tarek, B. A New Health Assessment Prediction Approach: Multi-Scale Ensemble Extreme Learning Machine. Preprints 2020, 2020050386 (doi: 10.20944/preprints202005.0386.v1).