动态选择性集成神经网络软测量建模

• 作者: 夏陆岳 朱群娣 潘海天 王海宁
• 来源期刊: 计算机与应用化学
• 学科: 化学
• 关键词: 动态 选择性集成 神经网络 软测量 熔融指数
• 年，卷（期）: 2016,（2）
• 所属期刊栏目: 研究论文
• 页码范围: 163-167
• 页数: 5页
• 分类号: TQ015.9|TP391.9|O6-3
• 字数: 5243字
• 语种: 中文
• DOI: 10.11719/c0m.app.chem201602007

摘要

集成建模方法能显著提高软测量模型的预测性能,其中选择性集成通过剔除一些性能不佳的子模型,能进一步提高整体软测量模型预测性能.针对目前选择性集成研究中因忽略了数据间的差异性而导致模型预测性能不佳的问题,提出了一种动态选择性集成神经网络软测量建模方法.首先将原始数据集分为训练集和验证集,采用bootstrap算法对训练集进行差异性扰动,建立了多个神经网络子模型;然后对每个待测样本,采用K-最近邻搜索算法从验证集中找到一个最近邻子集,用该子集评估各神经网络子模型的预测性能,为待预测样本筛选合适的神经网络子模型;最后根据各子模型的预测性能合理分配组合权重,从而建立集成模型,并实现待预测样本的预测.将该建模方法应用于聚丙烯熔融指数软测量研究中,研究结果表明:与单一神经网络、常规全集成和静态选择性集成神经网络模型相比,基于动态选择性集成神经网络的熔融指数软测量模型具有更佳的预测精度.

作者信息

序号	姓名	单位	发文数	被引次数	H指数	G指数
1	潘海天	浙江工业大学化学工程学院	73	476	12.0	18.0
2	夏陆岳	浙江工业大学化学工程学院	44	266	10.0	13.0
3	朱群娣	浙江工业大学化学工程学院	2	4	1.0	2.0
4	王海宁	浙江工业大学化学工程学院	4	31	3.0	4.0