第30 卷第9期 东 北 大 学 学 报 ( 自 然 科 学 版 ) Vol
30, No. 9
2 00 9 年 9 月 Journal the requirments for production.
Key words: AdaBoost; neural network; soft sensor; ensemble algorithm; increment learning
近年来, 集成学习算法在机器学习中得到了 要求却很难满足, 故需要软测量模型能够具有实
一定的重视, 特别是在对分类问题的应用中, 达到 现在线更新的能力
现有常用的对建模数据进行
提高使用单一学习机的预测精度目的
集成学习 更新的方法, 如滑动窗口、遗忘因子等, 都存在着
算法的出现及推广, 使得软测量模型精度的提高 需要重复载入大量原始训练数据, 浪费大量的时
成为可能, 也使得软测量模型在工业生产中的应 间和资源, 或者不能有效地保留前面已经学习到
[ 1]
用被更多实际生产过程所接受
的信息等不足
然而, 在软测量建模过程中, 不论使用何种智 针对现有模型更新方法的不足, 本文将增量
能算法建立模型, 都是为了得到较高的测量精度, 学习的思想与 AdaBoost 集成学习思想相结合, 提
这就要求训练集具有较好的完整
但是, 在软测量 出了一种适用于回归问题的具有增量学习性能的
建模实际应用中, 由于在训练初期对问题理解的 改进 AdaBoost 集成学习算法, 并将该算法与 BP
局限性以及实际应用中问题的高度复杂性, 这一 神经网络结合, 形成了基于改进 AdaBoost 的集成
收稿日期: 2008- 11-12
基金项目: 吉林省科技发展计划项目( 20040803)
作者简介: 孙凤琪( 1968- ) , 女, 吉林桦甸人, 东北大学博士研究生, 吉林师范大学副教授
1218 东北大学学报( 自然科学版)
第 30 卷
BP 网络, 取得了较好的预测效果, 完全可以满足 样本合并起来重新对原有模型进行训练,
基于改进AdaBoost的LF炉成分软测量建模 来自淘豆网m.daumloan.com转载请标明出处.
