论文部分内容阅读
针对现代工业控制中非线性、时变等复杂特性,传统的极限学习机(ELM)无法深度挖掘数据信息,导致模型参数影响软测量预测精度。极限学习机中激活函数的速率参数和位移参数以及岭回归中的乘法因子对该建模算法的预测精度有着重要影响。为了提升软测量模型的预测精度,采用混合蛙跳算法(SFLA)精确搜索ELM中的参数最优解。SFLA能够有效解决ELM预测不稳定的现象,从而增加模型预测的可靠性和准确性。将基于混合蛙跳算法优化的极限学习机建模方法用于预测脱丁烷塔底部丁烷组分含量和污水处理中的生物需氧量。仿真结果表明:SF