【计算智能与工业过程控制实验室】

系统辨识问题存在于许多领域，例如金融领域中研究股票的走势，气象领域中预测降雨可能性，交通运输领域中预测道路拥堵等。然而，现实系统几乎都是非线性和时变的，采用带有固定结构和参数的静态模型往往难以求解。

为应对这样的问题，最近，泉州装备所智能计算和工业大数据实验室陈豪研究员的研究团队提出基于状态匹配的模型组合方案与混合RBF神经网络模型。RBF的全称是Radial Biasi Function（径向基函数），它可以完成输入层和隐层之间的高维映射。正交最小二乘可以简称为OLS，采用OLS和前进法相结合，可以获得稀疏的模型结构，且能减少复杂计算量在隐层和输出层之间的参数确定采用广义逆的方法。

该研究团队在RBF模型的基础上，针对时变系统问题，创新性地提出了基于状态匹配算法的多核RBF模型，简称为SMMK-RBF，算法包括离线和在线过程。首先，在离线过程中，生成数个RBF子模型，根据之前介绍的OLS模型获得稀疏解构，用历史数据来初始化子模型权重；其次，在线过程中，采用状态匹配的方法来调整权重（类似于加权投票系统），并整合子模型的结果获得最终输出。

采用Mackey-Glass时间序列的预测实验，验证了模型的有效性。为了与其他现有模型（固定参数的多核RBF模型、有300个节点的极限学习机、K近邻模型和OLS-RBF模型）做对比，从具有国际权威的公开数据源UCI Machine Learning Repository获取众多实际时间序列数据（空气质量、股票交易量、风速数值、亚马逊网站访客量、用电量）来进行多次实验，测试结果反映出SMMK-RBF有最佳的预测效果。

目前，该研究成果现已在IEEE系列国际会议——第六届数据驱动控制、学习和系统会议（2017年）上发表题为“An Adaptive Multi-Kernel RBF Model using State Matching”的学术论文。

（陈豪课题组供稿）