论文部分内容阅读
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