文献

J-GLOBAL ID：201802212797126825   整理番号：18A1872871

時変カーネルを用いたLSSVMに基づくモデリングのためのオンライン学習アルゴリズム【JST・京大機械翻訳】

Online Learning Algorithm for LSSVM Based Modeling with Time-varying Kernels

著者 (2件)： Kong Weijian (Department of Automation, Donghua University, Shanghai, China) ,  Ding Jinliang (State Key Laboratory of Synthetical Automation for Process Industries, Northeastern University Shenyang, China)
資料名： IFAC PapersOnLine  (IFAC PapersOnLine)
巻： 51  号： 18  ページ： 626-630  発行年： 2018年 
JST資料番号： W3101A  ISSN： 2405-8963  資料種別： 逐次刊行物 (A)
記事区分： 原著論文  発行国： オランダ (NLD)  言語： 英語 (EN)

抄録/ポイント： オンライン学習ベースの最小二乗サポートベクトルマシン(LSSVM)は,時変プロセスのモデリング問題に対処することができる。それは,低い訓練時間と良い一般性のようないくつかの利点を持っている。それにもかかわらず,多くのオンライン学習アルゴリズムは,時変特性のためのカーネルパラメータに適合できないので,推定LSSVMモデルは低精度である。時変カーネルによるオンライン学習アルゴリズムを,LSSVMモデルのオンライン訓練精度を改善するために提案した。カーネルパラメータを更新サンプルデータを用いて時変プロセスと共に最適化した。オンライン最適化の間に信頼できる性能を達成するために,著者らは,精巧なカオス演算子による縮約粒子群最適化を採用する制御可能なメタ発見的アルゴリズムを提案した。提案したモデリング手法を電気製錬プロセスのエネルギー効率予測に利用し,実験結果は,提案したオンライン学習アルゴリズムがLSSVMモデルの精度を改善し,低いオンライン訓練時間を保証できることを示した。Copyright 2018 Elsevier B.V., Amsterdam. All rights reserved. Translated from English into Japanese by JST.【JST・京大機械翻訳】

シソーラス用語： *モデリング ,  最適化 ,  *学習アルゴリズム ,  カオス ,  普遍性 ,  *アルゴリズム ,  エネルギー効率 ,  予測 ,  縮約
準シソーラス用語： 発見的アルゴリズム ,  粒子群最適化 ,  オンライン最適化 ,  最小二乗-サポートベクトルマシン ,  *オンライン学習 ,  *オンライン , 【Automatic Indexing@JST】

著者キーワード (5件)： 時変プロセス ,  オンライン学習 ,  LSSVM ,  オンライン最適化 ,  制御可能メタヒューリスティックアルゴリズム

分類 (1件)： 人工知能  (JE08000Z)

タイトルに関連する用語 (5件)： 時 ,  カーネル ,  モデリング ,  オンライン ,  学習アルゴリズム