KPCA-bagging集成神经网络软测量建模方法

被引：13

作者：

夏陆岳

王海宁

朱鹏飞

潘海天

机构：

[1] 浙江工业大学化学工程学院

来源：

信息与控制 | 2015年 / 44卷 / 05期

基金：

浙江省自然科学基金;

关键词：

核主元分析; bagging集成学习; BP(back propagation)神经网络; 软测量; 熔融指数;

D O I：

10.13976/j.cnki.xk.2015.0519

中图分类号：

TQ02 [化工过程（物理过程及物理化学过程）]; TP183 [人工神经网络与计算];

学科分类号：

081701 ; 081704 ;

摘要：

许多化工过程具有机理复杂和强非线性等特点,为了克服常规建模方法存在的不足和提高软测量模型的预测精度,提出一种用于化工过程软测量的核主元分析(KPCA)-bagging集成神经网络建模方法.首先利用KPCA对软测量模型的输入数据进行降维处理,提取非线性主元并作为模型输入;然后采用bagging集成学习算法得到若干样本子集,通过训练各子集建立多个BP神经网络子模型,采用网格搜索法优化确定各子模型隐含层单元个数与集成模型规模;最后采用岭回归方法实现子模型输出融合,建立KPCA-bagging集成神经网络软测量模型.聚丙烯熔融指数软测量仿真结果表明,采用上述建模方法建立的软测量模型具有较好的预测性能.

引用

页码：519 / 524

页数：6

共 20 条

[1] 基于元学习的污水水质集成软测量模型 [J].