Adaptive Hybrid Soft-Sensor Model of Grinding Process Based on Regularized Extreme Learning Machine and Least Squares Support Vector Machine Optimized by Golden Sine Harris Hawk Optimization Algorithm

CONTENIDO PARA USUARIOS REGISTRADOS

Inicia sesión para disfrutar este recurso. Si aún no estás afiliado a BibloRed, haz clic en el botón.

Descripción: La tecnología de sensores suaves juega un papel vital en el seguimiento y monitoreo de los indicadores clave de producción del proceso de molienda y clasificación. La máquina de vectores de soporte de mínimos cuadrados (LSSVM, por sus siglas en inglés), como un modelo de sensor suave con una fuerte capacidad de generalización, puede ser utilizada para predecir los indicadores clave de producción en procesos de molienda complejos. El método tradicional de validación cruzada no puede obtener los parámetros de estructura ideales de LSSVM. Con el fin de mejorar la precisión de predicción de LSSVM, se propuso un algoritmo de optimización de Harris Hawk de seno dorado (GSHHO) para optimizar los parámetros de estructura de los modelos LSSVM con núcleo lineal, núcleo sigmoide, núcleo polinomial y núcleo de base radial, y se estudiaron las influencias del algoritmo GSHHO en la precisión de predicción bajo estos modelos LSSVM. Para hacer frente al problema
Citación recomendada (normas APA)
: Hindawi, "Adaptive Hybrid Soft-Sensor Model of Grinding Process Based on Regularized Extreme Learning Machine and Least Squares Support Vector Machine Optimized by Golden Sine Harris Hawk Optimization Algorithm", -:Revista VirtualPRO,, 2020. Consultado en línea en la Biblioteca Digital de Bogotá (https://www.bibliotecadigitaldebogota.gov.co/resources/3846143/), el día 2025-06-24.

Información adicional