基于改进流形正则化随机配置网络的软测量

为提高复杂工业过程中某些关键参数的预测精度，提出一种基于改进流形正则化随机配置网络(improved manifold regularization stochastic configuration networks, IMRSCNs)的软测量建模方法。该方法首先采用基于迁移学习的特征提取思路，集成最大方差、协方差分布差异和最大均值差异获取特征变换矩阵，将训练集和测试集的特征信息投影到一个公共子空间。进一步将子空间的训练集数据输入带有流形正则化的随机配置网络中，训练网络模型，以保持数据在原特征空间的几何结构。通过多组实验结果表明，相较于原始随机配置网络(stochastic configuration networks, SCNs)，所提的改进流形正则化SCNs模型拥有更高的预测精度和更好的泛化性能。