基于限定样本序贯极端学习机的模拟电路在线故障诊断

为解决故障特征样本分批加入时分类模型的在线更新问题, 提出一种限定样本序贯极端学习机(LSSELM). LSSELM 通过逐步添加新样本, 同时剔除与其相似度最高的同类别旧样本来提高模型的动态适应能力, 并通过Sherman-Morrison 矩阵求逆引理来降低计算复杂度, 实现输出权值的递推求解, 完成模型的在线训练. 将LSSELM 用于模拟电路在线故障诊断, 结果表明相比在线序贯极端学习机(OS-ELM) 和LSSELM 的诊断准确率更高, 具有更好的泛化性能.