Resumen

La mayoría de los esquemas de control neuronal adaptativo se basan en la retropropagación estocástica de gradiente-descenso (SGBP), que adolece del problema de los mínimos locales. Aunque la máquina de aprendizaje secuencial-extremo en línea regularizada (ReOS-ELM) propuesta recientemente puede superar este problema, requiere un lote de datos de entrenamiento iniciales representativos para construir un modelo base antes del aprendizaje en línea. Los datos iniciales suelen ser difíciles de recopilar en las aplicaciones de control adaptativo. Por lo tanto, este artículo propone una versión mejorada de ReOS-ELM, denominada máquina de aprendizaje secuencial-extremo totalmente en línea (FOS-ELM). Aunque conserva las ventajas de ReOS-ELM, FOS-ELM descarta la fase de entrenamiento inicial, por lo que resulta adecuada para aplicaciones de control adaptativo. Para demostrar su eficacia, FOS-ELM se aplicó al control adaptativo de la relación aire-combustible del motor basado en un modelo de motor simulado. Además, también se analizaron los parámetros del controlador, en los que se encontró que un gran número de nodos ocultos con un pequeño parámetro de regularización conduce al mejor rendimiento. También se realizó una comparación entre FOS-ELM y SGBP. El resultado indica que FOS-ELM consigue mejores resultados de seguimiento y convergencia que SGBP, ya que FOS-ELM tiende a aprender el modelo del motor desconocido de forma global, mientras que SGBP tiende a "olvidar" lo que ha aprendido. Esto implica que FOS-ELM es más preferible para aplicaciones de control adaptativo.

• Materias:Matemáticas Análisis Matemático Álgebra Ingeniería Lógica matemática
• Subjects:mathematics Mathematical Analysis Algebra Engineering Mathematical logic
• Palabras claves:elm, aplicaciones de control adaptativo, fos, máquina de aprendizaje extremo, sgbp, reos, esquemas de control neuronal adaptativo, datos iniciales de entrenamiento representativos, fase inicial de entrenamiento, problema de mínimos locales
• Keywords:elm, adaptive control applications, fos, extreme learning machine, sgbp, reos, adaptive neural control schemes, representative initial training data, initial training phase, local minima problem