KPCA-bagging集成神经网络软测量建模方法

来源：信息与控制杂志2015年第5期北京时间：

作者：夏陆岳, 王海宁, 朱鹏飞, 潘海天

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．

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