TY -的A2 Aguilar-Ibanez卡洛斯AU -谢,魏盟——王,Jie-sheng盟兴,程盟——郭Sha-Sha盟——郭孟威盟——朱,凌峰PY - 2020 DA - 2020/05/28 TI -自适应混合研磨过程的软测量模型基于正规化极端学习机和最小二乘支持向量机优化的金色正弦哈里斯鹰优化算法SP - 6457517六世- 2020 AB -软测量技术起着至关重要的作用在跟踪和监测磨削的关键生产指标和分类的过程。最小二乘支持向量机(LSSVM)的软测量模型具有较强的泛化能力,可以用来预测复杂的磨削过程的关键生产指标。传统的crossvalidation LSSVM的方法不能获得理想的结构参数。为了提高LSSVM的预测精度,一个金色的正弦哈里斯鹰优化(GSHHO)算法来优化LSSVM模型的结构参数与线性内核,乙状结肠内核,内核多项式,径向基核,GSHHO算法在预测精度的影响这些LSSVM模型进行了研究。为了解决这个问题,模型的预测精度降低由于工业的地位的变化,本文采用移动窗口(MW)策略,自适应地修改LSSVM (MW-LSSVM),大大提高了预测精度的LSSVM。正规化的极端的预测精度与MW策略学习机器(MW-RELM)高于MW-LSSVM在某个时刻。基于LSSVM的训练误差和RELM在窗口中,本文提出了一种自适应混合软测量模型,开关LSSVM和RELM之间。与以前相比MW-LSSVM MW-neural网络训练与扩展卡尔曼滤波器(MW-KNN)和MW-RELM,混合模型的预测精度进一步提高。仿真结果表明,该混合自适应软测量模型具有良好的泛化能力和预测精度。SN - 1076 - 2787你——https://doi.org/10.1155/2020/6457517——10.1155 / 2020/6457517 JF - PB - Hindawi KW - ER -复杂性