基于组合神经网络的聚合物质量预测  

Prediction of Polymer Quality Based on Stacked Neural Networks

作　　者：潘海天[1] 夏陆岳[2] 蔡亦军[2] 李伯耿[1] 

机构地区：[1]浙江大学材料与化工学院化学工程联合国家重点实验室,杭州310027 [2]浙江工业大学化工与材料学院,杭州310032

出　　处：《科技通报》2004年第4期298-302,共5页Bulletin of Science and Technology

基　　金：国家杰出青年科学基金(20125617);浙江省自然科学基金资助项目(200024);高等学校重点实验室访问学者基金资助项目

摘　　要：介绍了一种将组合神经网络用于聚合物质量预测的方法.由定量数据建立的单一神经网络模型往往缺乏泛化能力,而使用组合神经网络模型则可以显著改善模型的泛化能力.由于在建立组合神经网络模型过程中,合适的组合权重对模型是否具有良好预测性能是非常重要的,因此采用了岭回归方法来选择合适的组合权重.所提出的方法已成功应用于PVC颗粒特性的预测研究中。研究结果表明,与单一神经网络模型相比,组合神经网络模型具有更佳的模型预测精度和鲁棒性.Inferential estimation of polymer quality using stacked neural networks (SNNs) is studied. A single neural network model developed from a limited amount of data usually lacks generalization capability. Model generalization capability can be significantly improved by using SNNs model. Proper determination of the stacking weights is essential for good SNNs model performance, so determination of appropriate weights for combining individual networks using ridge regression is proposed. The proposed technique has been successfully applied to the studies of prediction for properties of PVC grains. The results obtained demonstrate significant improvements in model accuracy and robustness, as a result of using SNNs model, compared to using single neural network model.

关 键 词：高聚物工程 神经网络 预测 岭回归 组合泛化 PVC颗粒特性 

分 类 号：TP183[自动化与计算机技术—控制理论与控制工程] TQ316.3[自动化与计算机技术—控制科学与工程]