کد مقاله کد نشریه سال انتشار مقاله انگلیسی نسخه تمام متن
6680376 1428072 2018 14 صفحه PDF دانلود رایگان
عنوان انگلیسی مقاله ISI
A robust extreme learning machine for modeling a small-scale turbojet engine
ترجمه فارسی عنوان
یک دستگاه یادگیری افراطی قوی برای مدل سازی یک موتور توربوجت کوچک
کلمات کلیدی
دستگاه یادگیری شدید موتور توربوجت کوچک مدل سازی سیستم، فراگیری ماشین،
ترجمه چکیده
در این مقاله، یک دستگاه یادگیری افراطی قوی پیشنهاد شده است. این الگوریتم قوی در مقایسه با ماشین اصلی یادگیری افراطی و دستگاه یادگیری افراطی معتبر، حداقل وجه متوسط ​​و واریانس خطاهای مدل سازی را در تابع هدف برای غلبه بر معضل واریانس تعادلی کاهش می دهد. به عنوان یک نتیجه، عملکرد تعمیم آن و استحکام افزایش مییابند، و این مزایا نیز به طور تئوری اثبات شده است. علاوه بر این، این الگوریتم پیشنهادی می تواند همان کارایی محاسباتی را به عنوان دستگاه یادگیری افراطی اصلی و دستگاه یادگیری افراطی ثابت را حفظ کند. سپس، برای آزمون اثربخشی و پایداری الگوریتم پیشنهاد شده، از چندین مجموعه داده های معیاری استفاده می شود. در نهایت، آن را برای مدل یک موتور توربوجت واقعی کوچک استفاده می شود. این موتور مناسب است. به خصوص، در فاز بیکار، که در آن نسبت سیگنال به نویز کم است و مدل بسیار سخت است، الگوریتم پیشنهاد شده به خوبی عمل می کند و قابلیت اطمینان آن به اندازه کافی نمایش داده می شود. در کل، الگوریتم پیشنهادی تکنیک نامزد برای مدل سازی سیستم های واقعی را فراهم می کند.
موضوعات مرتبط
مهندسی و علوم پایه مهندسی انرژی مهندسی انرژی و فناوری های برق
پیش نمایش مقاله
یک دستگاه یادگیری افراطی قوی برای مدل سازی یک موتور توربوجت کوچک
چکیده انگلیسی
In this paper, a robust extreme learning machine is proposed. In comparison with the original extreme learning machine and the regularized extreme learning machine, this robust algorithm minimizes both the mean and variance of modeling errors in the objective function to overcome the bias-variance dilemma. As a result, its generalization performance and robustness are enhanced, and these merits are further proved theoretically. In addition, this proposed algorithm can keep the same computational efficiency as the original extreme learning machine and the regularized extreme learning machine. Then, several benchmark data sets are used to test the effectiveness and soundness of the proposed algorithm. Finally, it is employed to model a real small-scale turbojet engine. This engine is fit well. Especially, on the idle phase, where the signal-to-noise ratio is low and it is very hard to model, the proposed algorithm performs well and its robustness is sufficiently showcased. All in all, the proposed algorithm provides a candidate technique for modeling real systems.
ناشر
Database: Elsevier - ScienceDirect (ساینس دایرکت)
Journal: Applied Energy - Volume 218, 15 May 2018, Pages 22-35
نویسندگان
, , , , , ,