基于核极限学习机的快速主动学习方法及其软测量应用

为提高主动学习方法的运行效率和降低人工标记成本,提出一种基于核极限学习机的快速主动学习方法,并将其应用于软测量建模中。首先,采用核极限学习机对无标记样本进行信息评估,将无标记样本的置信度作为样本选择评价准则,选择对改善模型性能最有价值的无标记样本进行标记;其次,充分考虑每次迭代过程的运算信息,引入矩阵反演公式优化样本选择策略,提升迭代过程样本评估的运行效率;最后,应用矩阵相似度理论对迭代过程的已标记样本数据进行信息度量,并将其作为迭代终止依据,以最小的标记代价提升模型性能。将所提方法应用于硫回收过程H₂S和SO₂浓度软测量研究中,仿真结果表明：所提方法不仅标记代价小,而且提高了迭代的快速性,比较全面地提升了主动学习算法的性能。通过开展本研究工作,为少标记样本情况下的软测量技术应用提供了一种新方法。