连续搅拌反应釜(Continuous stirred tank reactor,CSTR)是典型的化工过程之一,本文针对其强非线性特性,提出了一种量化核最小均方(Quantized kernel least mean square,QKLMS)算法.该算法基于一种简单在线矢量量化技术替代稀疏化准则,可以对输入空间进行压缩,从而抑制核学习算法中径向基函数(Radial basis function,RBF)结构的增长.为验证该算法的有效性,将其应用于CSTR过程的模型辨识中,构建冷却剂流量与生成物浓度之间的非线性映射关系.此外,将所提算法与最小二乘支持向量机(Least square support vector machine,LS-SVM)、回声状态网络(Echo state network,ESN)以及核极限学习机(Extreme learning machine with kernels,KELM)等算法进行比较.实验结果表明,在同等条件下,本文所提算法具有更高的辨识精度和更好的在线学习能力.
展开▼
