EEPW首頁(yè) >>
主題列表 >>
極限學(xué)習機
極限學(xué)習機 文章 進(jìn)入極限學(xué)習機技術(shù)社區
基于BSM1的硝態(tài)氮濃度辨識建模
- 俞方罡，秦 斌（湖南工業(yè)大學(xué)，湖南 株洲 412000） 摘? 要：污水處理過(guò)程復雜多樣，為方便研究工作，根據基準仿真1號模型（Benchmark Simulation Modelno.1，BSM1）搭建simulink仿真模型。由于控制溶解氧和硝態(tài)氮濃度的穩定是污水處理過(guò)程的關(guān)鍵，所以針對傳統PI控制對大滯后非線(xiàn)性系統中硝態(tài)氮濃度控制性能低以及系統運行速度慢的問(wèn)題，利用極限學(xué)習機（ELM）和支持向量機（SVM）的預測能力對硝態(tài)氮濃度進(jìn)行模型辨識和比較。結果證明，在數據量較少的情況下，支持向量機（S
- 關(guān)鍵字： 202002 污水處理 極限學(xué)習機 支持向量機 MATLAB仿真
在線(xiàn)極限學(xué)習機及其在圖像識別中的應用
- 摘要：針對海量圖像數據的識別問(wèn)題，本文提出了在線(xiàn)極限學(xué)習機(online optimized ELM，OP-ELM)。OP-ELM以單隱層前饋神經(jīng)網(wǎng)絡(luò )(single hidden layer feed forward networks，SLFNs)為基礎，固定了隱含節點(diǎn)數以及節點(diǎn)參數，在在線(xiàn)增量學(xué)習過(guò)程中綜合考慮歷史數據和新數據，產(chǎn)生全局唯一的最優(yōu)解，降低了計算資源的需求，繼承了極限學(xué)習機(Extreme Learning Machine，ELM)學(xué)習速度快泛化性能好的優(yōu)點(diǎn)。因此非常適合于海量圖像數據的在
- 關(guān)鍵字： 圖像數據 多媒體技術(shù) 極限學(xué)習機 201204
| 共2條 1/1 1 |
極限學(xué)習機介紹
您好，目前還沒(méi)有人創(chuàng )建詞條極限學(xué)習機!
歡迎您創(chuàng )建該詞條，闡述對極限學(xué)習機的理解，并與今后在此搜索極限學(xué)習機的朋友們分享。 創(chuàng )建詞條
歡迎您創(chuàng )建該詞條，闡述對極限學(xué)習機的理解，并與今后在此搜索極限學(xué)習機的朋友們分享。 創(chuàng )建詞條
關(guān)于我們 -
廣告服務(wù) -
企業(yè)會(huì )員服務(wù) -
網(wǎng)站地圖 -
聯(lián)系我們 -
征稿 -
友情鏈接 -
手機EEPW
Copyright ?2000-2015 ELECTRONIC ENGINEERING & PRODUCT WORLD. All rights reserved.
《電子產(chǎn)品世界》雜志社 版權所有 北京東曉國際技術(shù)信息咨詢(xún)有限公司
京ICP備12027778號-2 北京市公安局備案：1101082052 京公網(wǎng)安備11010802012473
Copyright ?2000-2015 ELECTRONIC ENGINEERING & PRODUCT WORLD. All rights reserved.
《電子產(chǎn)品世界》雜志社 版權所有 北京東曉國際技術(shù)信息咨詢(xún)有限公司
京ICP備12027778號-2 北京市公安局備案：1101082052 京公網(wǎng)安備11010802012473