摘要:
提出一种统一的最小二乘kernel学习框架,将自适应kernel学习(AKL)网络辨识器推广为分类器,用于化工过程的故障诊断。推导了AKL分类器在向后缩减和向前增长两种情况下的递推算法,实现了对记忆样本长度的控制。该分类器无需利用历史故障数据,即可进行在线学习并建立过程诊断模型。通过对Tennessee Eastman(TE)过程的5种典型故障的诊断分析,验证了该方法的有效性。
王海清, 蒋宁. 用于过程故障诊断的自适应kernel学习网络分类器 [J]. 化工学报, 2007, 58(9): 2276-2280.
WANG Haiqing, JIANG Ning. Adaptive kernel learning classifier with application to process fault diagnosis[J]. CIESC Journal, 2007, 58(9): 2276-2280.