[发明专利]一种基于神经网络集成学习的阳极铝箔性能预测系统

权利要求书

1.一种基于神经网络集成学习的阳极铝箔性能预测系统，其特征在于：其建立包括以下步骤：

(1)收集阳极铝箔生产线上的工艺参数及其所对应的产品性能指标的实测数据组成若干组数据样本，每一组数据样本中包括若干个产品性能指标的实测数据，及其相对应的全流程生产过程中的若干个工艺参数，将所有收集到的数据样本存储至制造数据样本库中；

所述产品性能指标包括阳极铝箔的比电容、耐压值、漏电流、升压时间、耐水性能、折弯强度、抗拉强度；

所述工艺参数包括腐蚀工艺参数和化成工艺参数；所述腐蚀工艺参数包括发孔腐蚀和扩孔腐蚀阶段的溶液成分、浓度、温度、电压、电流密度和处理时间；所述化成工艺参数包括水煮处理阶段的温度及时间，一级化成、二级化成、三级化成、四级化成的溶液成分及浓度、温度、电压、电流密度、处理时间，后处理阶段的温度及时间；

(2)从制造数据样本库中提取任意一个需要进行预测的产品性能指标及其所对应的所有工艺参数，组成预测该产品性能指标所需的临时样本集，然后将临时样本集分成训练样本集和测试样本集，所述训练样本集或测试样本集中包括该产品性能指标所对应的所有工艺参数的数据样本，所述训练样本集中数据样本的数量与测试样本集中数据样本的数量比为7:3；

(3)平均分配训练样本集中每组数据样本的初始权重值，接着分别采用三种不同类型的神经网络作为弱预测器，使用训练样本集内的数据样本进行模型的训练，并且预测输出，根据预测结果调整训练样本集中每组数据样本的权重值，重复进行多轮模型预测及权重值调整，每一种类型的神经网络对应得到若干组弱预测器；

(4)将每一种类型的神经网络对应得到的所有弱预测器函数进行加权叠加，得到对应的强预测器；

(5)使用测试样本集中的数据样本，分别采用三种类型的神经网络对应得到的强预测器进行所对应的产品性能指标的预测，分别计算预测结果与实测结果之间的误差，从中选择误差最小的强预测器，得到该产品性能指标对应的神经网络预测模型；

(6)重复进行步骤(2)～步骤(5)的操作，直至得到所有需要进行预测的产品性能指标对应的神经网络预测模型，然后采用所有神经网络预测模型构建得到基于神经网络集成学习的阳极铝箔性能预测系统。

2.根据权利要求1所述的基于神经网络集成学习的阳极铝箔性能预测系统，其特征在于：步骤(3)中所述三种类型的神经网络分别为BP神经网络、RBF神经网络、GRNN神经网络。

3.根据权利要求1所述的基于神经网络集成学习的阳极铝箔性能预测系统，其特征在于：步骤(3)中平均分配训练样本集中每组数据样本的初始权重值，具体是按照如下公式计算初始权重值：

其中D₀(j)表示每个数据样本的初始权重值，N表示数据样本的个数。