成果信息
本發(fā)明涉及一種基于 SPCA的神經(jīng)網(wǎng)絡(luò)混合優(yōu)化預(yù)測(cè)方法,。本發(fā)明首先采集化工過(guò)程中影響重要變量的過(guò)程變量,利用串行主成分分析方法對(duì)數(shù)據(jù)做預(yù)處理,,結(jié)合主成分分析和核主成分分析方法處理線性和非線性混合數(shù)據(jù),降低數(shù)據(jù)維度,,其次使用RBF神經(jīng)網(wǎng)絡(luò)作為預(yù)測(cè)模型,,結(jié)合LM算法和遺傳算法對(duì)預(yù)測(cè)模型的參數(shù)進(jìn)行優(yōu)化,提高預(yù)測(cè)模型的性能,,最后將預(yù)處理后的數(shù)據(jù)放入優(yōu)化后的預(yù)測(cè)模型中,,進(jìn)行預(yù)測(cè)。不同干傳統(tǒng)的方法,,本發(fā)明有處理線性和非線性混合數(shù)據(jù)的能力,,且結(jié)合優(yōu)化算法,能夠提高預(yù)測(cè)模型精度,。 )
背景介紹
本發(fā)明涉及一種基于 SPCA的神經(jīng)網(wǎng)絡(luò)混合優(yōu)化預(yù)測(cè)方法,。)
應(yīng)用前景
-)