基于改進(jìn)極限學(xué)習(xí)機(jī)的入口氮氧化物預(yù)測(cè)

金秀章，張少康

(華北電力大學(xué) 控制與計(jì)算機(jī)工程學(xué)院，河北 保定 071003)

0 引 言

人工神經(jīng)網(wǎng)絡(luò)已經(jīng)被廣泛的研究，但是很少應(yīng)用到工業(yè)中，主要是因?yàn)樯窠?jīng)網(wǎng)絡(luò)需要大量的時(shí)間來(lái)進(jìn)行訓(xùn)練，不能滿足工業(yè)上的需求[1]。極限學(xué)習(xí)機(jī)(ELM)具有學(xué)習(xí)速度快、泛化能力強(qiáng)的特點(diǎn)[2]，并被許多學(xué)者研究。將遞推思想引入ELM中，提出了在線貫序極限學(xué)習(xí)機(jī)[3](OS-ELM)。

OS-ELM算法認(rèn)為新舊訓(xùn)練數(shù)據(jù)的權(quán)重是相同的，對(duì)于時(shí)變系統(tǒng)而言，預(yù)測(cè)的效果并不理想[4]。雖然加入l2-正則化的算法可以降低對(duì)隱含層節(jié)點(diǎn)的依賴程度，但是仍然不能有效確定節(jié)點(diǎn)數(shù)，隱含層節(jié)點(diǎn)的多少會(huì)對(duì)預(yù)測(cè)產(chǎn)生很大的影響，節(jié)點(diǎn)較少不能完全表達(dá)數(shù)據(jù)信息[5]，節(jié)點(diǎn)過(guò)多可能出現(xiàn)過(guò)擬合的情況，降低預(yù)測(cè)的精度[6]。

基于上述問(wèn)題，提出了一種基于自適應(yīng)遺忘因子和靈敏度剪枝的極限學(xué)習(xí)機(jī)(SAFFOS-RELM)，自適應(yīng)遺忘因子可以根據(jù)每次新到的數(shù)據(jù)進(jìn)行更新，靈敏度剪枝算法可以優(yōu)化初始的網(wǎng)絡(luò)結(jié)構(gòu)，在保證預(yù)測(cè)精度的條件下得到最優(yōu)的隱含層節(jié)點(diǎn)數(shù)，減小計(jì)算的時(shí)間，將此算法應(yīng)用到Mackey-Glass混沌時(shí)間序列和脫硝系統(tǒng)的入口氮氧化物時(shí)間序列中，并和OS-RELM、FFOS-RELM算法進(jìn)行了對(duì)比，準(zhǔn)確性和泛化能力得到了提高。

1 OS-ELM算法

OS-ELM的SLFN回歸模型為

(1)

式中：g(·)為激活函數(shù)，ai和bi為隱層的參數(shù)，βi為隱含層第i個(gè)節(jié)點(diǎn)到輸出層之間的權(quán)值，L為隱層節(jié)點(diǎn)數(shù)。

(2)

將式(2)改為矩陣形式，如下所示

Hβ=y

(3)

式中

(4)

(5)

貫序更新階段只對(duì)輸出權(quán)重β進(jìn)行更新，矩陣H中的參數(shù)是隨機(jī)得到的，輸出權(quán)重的公式如下

(6)

通過(guò)對(duì)式(6)的推導(dǎo)可以得OS-ELM算法的步驟如下：

1)建立一個(gè)初始訓(xùn)練數(shù)據(jù)D0。

2)選取激活函數(shù)g(·)，隨機(jī)產(chǎn)生隱含層參數(shù)ai和bi，i=1,2,…,L。

3)根據(jù)式(4)計(jì)算H0。

5)令k=0。

(2)貫序更新階段：

1)根據(jù)式(4)和第k+1次的數(shù)據(jù)得到Hk+1。

2)根據(jù)下式計(jì)算每次的輸出權(quán)值公式

3)令k=k+1，返回(2)中的步驟1)繼續(xù)執(zhí)行。

2 SAFFOS-RELM算法

2.1 FFOS-RELM算法

OS-ELM中加入l2-正則化方法避免矩陣HTH出現(xiàn)奇異的情況，降低網(wǎng)絡(luò)預(yù)測(cè)誤差。加入l2-正則化方法[9]，轉(zhuǎn)化為以下尋優(yōu)問(wèn)題

(7)

式中：C為正則化系數(shù)，對(duì)式(7)求解可以得出

β=(HTH+I/C)-1HTy

(8)

則FFOS-RELM算法的遞推公式如下：

根據(jù)式(8)可知，初始的輸出權(quán)重為

(9)

(10)

(11)

式中

(12)

(13)

把式(13)帶入式(11)可得

(14)

依次類推，可得遞推公式如下

(15)

(16)

(17)

(18)

(19)

OS-RELM算法的輸出權(quán)重在更新時(shí)新舊數(shù)據(jù)占的比重是相同的，對(duì)于時(shí)變系統(tǒng)，新數(shù)據(jù)更能體現(xiàn)當(dāng)前的情況。這里加入遺忘因子，根據(jù)新到的數(shù)據(jù)信息來(lái)更新輸出權(quán)值，對(duì)新數(shù)據(jù)更加敏感，非常適合時(shí)變系統(tǒng)[11]。新來(lái)的數(shù)據(jù)個(gè)數(shù)Tk+1=1，在貫序更新階段把式(19)變?yōu)?/p>

(20)

(21)

(22)

(23)

(24)

式中：εk+1為中間變量，λk為第k次的遺忘因子，并且滿足0<λk≤1，λk越小，則舊數(shù)據(jù)的影響越小，第k+1次的遺忘因子公式如下

(25)

(26)

(27)

vk+1=λk(vk+1)

(28)

式中：ρ是一個(gè)固定的常數(shù)，初始的γ和v是0到1之間的數(shù)，遺忘因子越大代表舊數(shù)據(jù)占的比重越大，遺忘因子越小，新數(shù)據(jù)占的比重越大。

FFOS-RELM算法具體步驟如下：

1)選取激活函數(shù)g(·)，隨機(jī)產(chǎn)生隱含層參數(shù)ai和bi,i=1,2…L。

2)根據(jù)式(4)、D0計(jì)算H0。

4)令k=0。

(2)貫序更新階段

1)當(dāng)?shù)趉+1次數(shù)據(jù)到來(lái)時(shí)，根據(jù)式(4)求得Hk+1。

3)如果ξk+1=0，則令Pk+1=Pk；如果ξk+1>0，則根據(jù)式(23)、式(24)求得Pk+1。

4)根據(jù)式(26)、式(27)、式(28)計(jì)算ηk+1、γk+1、vk+1。

5)根據(jù)式(25)計(jì)算下一步的遺忘因子λk+1，返回(2)中1)繼續(xù)執(zhí)行。

2.2 靈敏度剪枝算法

上述的FFOS-RELM算法加入了正則化機(jī)制降低了對(duì)隱含層節(jié)點(diǎn)數(shù)的依賴性，但仍然不能確定隱層節(jié)點(diǎn)數(shù)，這里根據(jù)靈敏度剪枝算法來(lái)優(yōu)化初始的網(wǎng)絡(luò)結(jié)構(gòu)，提高計(jì)算的速度和準(zhǔn)確度。

2.2.1 靈敏度和網(wǎng)絡(luò)規(guī)模適應(yīng)度定義

記

kij=gi(xj)=g(aixj+bi)

(29)

i=1,2,…N0

由式(2)可以得到輸入為xj時(shí)的預(yù)測(cè)值yj為

yj=k1jβ1+k2jβ2+…+kLjβL

(30)

假設(shè)刪除第一個(gè)節(jié)點(diǎn)，則網(wǎng)絡(luò)的輸出變?yōu)?/p>

(31)

由式(30)和式(31)可得殘差為

(32)

由式(32)可知，根據(jù)殘差定義第i個(gè)節(jié)點(diǎn)的靈敏度為

(33)

式中：N0為初始訓(xùn)練樣本的個(gè)數(shù)，kij為第j個(gè)輸入在第i個(gè)隱層節(jié)點(diǎn)下的輸出，βi為隱層第i個(gè)節(jié)點(diǎn)的輸出權(quán)值，可以看出靈敏度越大，代表節(jié)點(diǎn)的重要性越大，把靈敏度進(jìn)行排序，如下所示

(34)

由靈敏度定義網(wǎng)絡(luò)規(guī)模適應(yīng)度為

(35)

Mk越大，殘差越小，可以設(shè)置閾值來(lái)確定網(wǎng)絡(luò)的規(guī)模，公式如下

M=minkMk≥θ,1≤k≤L

(36)

式中：θ為設(shè)定的閾值，網(wǎng)絡(luò)規(guī)模為M，剔除L-M個(gè)節(jié)點(diǎn)，閾值的大小通過(guò)試湊法得到，為了保存剔除的數(shù)據(jù)，需要對(duì)隱含層參數(shù)進(jìn)一步更新。

2.2.2 權(quán)值的更新

剔除的隱層節(jié)點(diǎn)參數(shù)信息平均加到剩余節(jié)點(diǎn)，設(shè)M為剩余的節(jié)點(diǎn)數(shù)，L-M為剔除的節(jié)點(diǎn)，記R={i1,i2,…iM}是保留的節(jié)點(diǎn)數(shù)，D=d1,d2,…dL-M是剔除的節(jié)點(diǎn)，則隱層參數(shù)更新公式為

(37)

3 Mackey-Glass混沌時(shí)間序列的多步預(yù)測(cè)

混沌系統(tǒng)常用來(lái)檢驗(yàn)非線性系統(tǒng)性能[12,13]，Mackey-Glass混沌時(shí)間序列方程如下所示

式中：τ為可調(diào)的時(shí)滯參數(shù)，當(dāng)τ>17的時(shí)候出現(xiàn)混沌現(xiàn)象，并且τ值越大現(xiàn)象越明顯，利用四階龍格-庫(kù)塔法尋找方程的解，用如下方式選取1000個(gè)數(shù)據(jù)

[y(t-18),y(t-12),y(t-6),y(t);y(t+6)]

式中：t=19,20,…,1018，前四項(xiàng)作為輸入，最后一項(xiàng)為輸出。選取初始的訓(xùn)練數(shù)據(jù)為150，初始的隱含層節(jié)點(diǎn)數(shù)為100，初始的遺忘因子λ0=1，γ0、v0為0到1之間的隨機(jī)數(shù)，固定常數(shù)ρ=3.8，正則化系數(shù)C=1000。靈敏度剪枝算法中的閾值對(duì)網(wǎng)絡(luò)性能影響很大，設(shè)置范圍為[0,1]，間隔為0.1，仿真結(jié)果如圖1所示，可以看出隨著θ的增大，被刪除的節(jié)點(diǎn)數(shù)越少，RMSE隨之變小，從圖1中可以看出選取閾值范圍在[0.6,1]之間，可以有效表達(dá)網(wǎng)絡(luò)的結(jié)構(gòu)。

圖1 網(wǎng)絡(luò)規(guī)模適應(yīng)度和隱含層節(jié)點(diǎn)的關(guān)系

綜合考慮預(yù)測(cè)的時(shí)間和精度，選取γ=0.7，此時(shí)剩余的節(jié)點(diǎn)數(shù)為37。比較不同算法下以平均絕對(duì)值誤差、均方根誤差和時(shí)間，公式如下

與OS-RELM、FFOS-RELM算法進(jìn)行比較，結(jié)果見(jiàn)表1。

表1 6步預(yù)測(cè)的結(jié)果

從表1可以看出，F(xiàn)FOS-RELM算法由于加入了遺忘因子，預(yù)測(cè)的準(zhǔn)確性得到了很大的提升，并且訓(xùn)練時(shí)間和OS-RELM幾乎一樣，SAFFOS-RELM對(duì)初始的網(wǎng)絡(luò)進(jìn)行了剪枝，得到了更加緊湊的網(wǎng)絡(luò)結(jié)構(gòu)，可以看出大大節(jié)省了預(yù)測(cè)時(shí)間，并且預(yù)測(cè)精度也得到了提高，為了更直觀觀察，圖2畫出了不同算法下的誤差曲線。

圖2 入口氮氧化物誤差曲線

4 入口氮氧化物時(shí)間序列預(yù)測(cè)

為了進(jìn)一步驗(yàn)證SAFFOS-RELM算法的有效性，實(shí)驗(yàn)數(shù)據(jù)選取某660M電廠的脫硝系統(tǒng)，數(shù)據(jù)之間的間隔為10 s，通過(guò)對(duì)數(shù)據(jù)進(jìn)行剔除異常值處理，選取了不同負(fù)荷下的320個(gè)數(shù)據(jù)，對(duì)數(shù)據(jù)進(jìn)行歸一化處理，方便網(wǎng)絡(luò)的計(jì)算。初始的訓(xùn)練數(shù)據(jù)T0=150，隱含層個(gè)數(shù)為100，正則化系數(shù)C=1000，初始的遺忘因子γ0=1，γ0、v0為0到1之間的隨機(jī)數(shù)，固定常數(shù)ρ=3.8，網(wǎng)絡(luò)規(guī)模適應(yīng)度閾值θ=0.8，剩余的節(jié)點(diǎn)為25。入口氮氧化物的預(yù)測(cè)模型如下

y(t+D)=f(y(t-1),y(t-2),…y(t-Δ))

其中，D為預(yù)測(cè)步長(zhǎng)，Δ為嵌入維數(shù)，選取Δ=4；對(duì)數(shù)據(jù)進(jìn)行多步預(yù)測(cè)，這里選取D=3，并計(jì)算預(yù)測(cè)時(shí)間、絕對(duì)值平均誤差、均方根誤差，并和OS-RELM、FFOS-RELM算法進(jìn)行比較，見(jiàn)表2。

從表2中可以看出，預(yù)測(cè)的平均絕對(duì)值誤差和均方根誤差從大到小為：OS-RELM、FFOS-RELM、SAFFOS-RELM，因?yàn)榧尤胱赃m應(yīng)遺忘因子的FFOS-RELM算法可以根據(jù)新到的數(shù)據(jù)改變舊樣本和新樣本之間的權(quán)重，預(yù)測(cè)精度得到了提高，加入靈敏度剪枝算法得到更加緊湊的網(wǎng)絡(luò)，提高了網(wǎng)絡(luò)的泛化能力；預(yù)測(cè)時(shí)間從大到小為：FFOS-RELM、OS-RELM、SAFFOS-RELM，剪枝算法使網(wǎng)絡(luò)結(jié)構(gòu)更緊湊，運(yùn)算速度得到了大大的提升，并且因?yàn)閯h除了隱含層冗余節(jié)點(diǎn)數(shù)，提高了預(yù)測(cè)精度。圖3給出了在不同算法下的預(yù)測(cè)值和真實(shí)值，圖4給出了不同算法下的相對(duì)誤差，由圖4可以看出SAFFOS-RELM的相對(duì)誤差在3%以內(nèi)，可以有效地預(yù)測(cè)。

表2 3步預(yù)測(cè)的結(jié)果

圖3 入口氮氧化物的3步預(yù)測(cè)結(jié)果

圖4 入口氮氧化物3步預(yù)測(cè)相對(duì)誤差

5 結(jié)束語(yǔ)

本文提出了一種基于遺忘因子與靈敏度剪枝的極限學(xué)習(xí)機(jī)(SAFFOS-RELM)。加入自適應(yīng)遺忘因子，賦予了新舊樣本不同的權(quán)值，更加適用于時(shí)變系統(tǒng)，利用靈敏度剪枝算法對(duì)初始的網(wǎng)絡(luò)結(jié)構(gòu)進(jìn)行優(yōu)化，刪除了網(wǎng)絡(luò)中的冗余節(jié)點(diǎn)，得到最佳的網(wǎng)絡(luò)結(jié)構(gòu)，以Mackey-Glass混沌時(shí)間序列和入口氮氧化物時(shí)間序列為例驗(yàn)證了算法的泛化能力。仿真結(jié)果表明，SAFFOS-RELM算法的計(jì)算時(shí)間和模型泛化能力都要優(yōu)于FFOS-RELM、OS-RELM算法，對(duì)于工業(yè)中的其它時(shí)變系統(tǒng)的時(shí)間序列也同樣適用。