[发明专利]基于极限学习机的橡胶配方性能预测模型及预测方法

权利要求书

1.一种基于极限学习机的橡胶配方性能预测模型，其特征在于，包括极限学习机神经网络模型与预测结果层；

极限学习机神经网络模型，包括作为输入参数集的输入层、含有激活函数g(x)的隐含层、以及输出预测结果集的输出层；

输入层包括由随机选取样本集属性决定的输入层节点数；

输出层包括由预测的目标值的种类数目决定的输出层节点数；

隐含层包括隐含层节点数，其中，该隐含层节点数预设为A个，设定该A个预设节点中，每个预设节点循环B次，同时调用极限学习机的elmpredict()函数进行B次极限学习机神经网络的预测并将该B次预测的相对误差取平均误差Dd，d取值在1……A中；对A个预设节点的平均误差Dd进行比较，并选取平均误差Dd＝Ddmin最小值对应的A值为该隐含层实际节点数；

输入参数集包括经过正交试验得到的橡胶配方中各个组分用量试验数据；

输出预测结果集为包括物理机械性能的试验结果的样本集，样本集包括占比例为E的训练集与占比例为1-E的测试集；

在预测结果层中，当测试集的相对误差都在10％以内时，对该测试集得到的预测结果进行反归一化的预测结果层的输出预测值和相对误差。

2.根据权利要求1所述的基于极限学习机的橡胶配方性能预测模型，其特征在于，所述的橡胶配方中各个组分用量取自于《实用橡胶配方手册》；物理机械性能的试验结果包括门尼粘度仪测定混炼橡胶的门尼粘度，用硬度计和/或拉力试验机对硫化橡胶测定的硬度、撕裂强度、拉伸强度、100％定伸应力、300％定伸应力试验结果。

3.根据权利要求2所述的基于极限学习机的橡胶配方性能预测模型，其特征在于，物理机械性能测试应用的设备包括按照炼胶工艺加入各种助剂进行混炼与排胶的密炼机、对生胶进行塑炼的开炼机、以及对开炼机后加入硫化剂的橡胶下片取样进行硫化的平板硫化机。

4.一种基于极限学习机的橡胶配方性能预测方法，其特征在于，借助于极限学习机；该方法包括以下，

步骤一，搭建基于极限学习机的神经网络：该极限学习机神经网络含有输入层、隐含层和输出层；

其中，X为输入变量，n为输入变量的维数，X、n由输入层的输入值及输入目标种类的数目决定；

W_nL为输入层与隐含层神经元之间的连接权重，b_L为隐含层神经元的阈值，W_nL、b_L是由极限学习机算法随机设定；

L为隐含层神经元的个数，L是人为的设定；

g(x)为隐含层神经元的激活函数，g(x)选择默认的S型函数；

β_Lm为隐含层和输出层神经元之间的连接权重，β_Lm是隐含层的输出值所组成矩阵的Moore-Penrose广义逆和输出层的输出值所组成矩阵的逆矩阵的乘积；

y为输出向量，m为输出层输出向量的维数，y、m则是由输出层输出值及输出层输出目标种类的数据决定；

步骤二，采集并设定橡胶数据；首先，根据待预测性能橡胶制品的配方，选择配方中的组分的用量作为试验因子并进行正交试验；然后，根据需要得到的物理机械性能，设定性能测试结果；其次，将试验因子从输入层输入，将性能测试结果从输出层输出；然后，随机将试验因子与性能测试结果分为G组，作为样本集；再次，从样本集中选取比例E为训练集，从样本集中选取比例为1-E 为测试集；

步骤三，首先，针对步骤一，根据随机选取样本集属性决定的输入层节点数，根据预测的目标值的种类数目决定的输出层节点数，确定隐含层节点数；然后，针对步骤二，对训练集与测试集进行归一化处理；其次，调用极限学习机的elmtrain()函数结合训练集创建并训练极限学习机神经网络模型，得到预测结果；

步骤四，首先，通过查看测试集的相对误差来验证极限学习机神经网络预测模型得到预测结果的准确性；

若相对误差至少一个不在10％以内且至少一个相对误差至少一个在10％以内，则返回步骤三，重新设定神经网络的隐含层节点个数，直至相对误差都在10％以内；

若相对误差都不在10％以内，核查实验数据的准确性，同时返回步骤二，重新测试收集数据；

若相对误差均在10％内，则执行步骤五；

步骤五：对满足步骤四准确性的预测结果进行反归一化，并输出预测值和相对误差。