[发明专利]基于径向基神经网络预测模型的多响应参数优化方法

摘要

本发明提出了一种基于径向基神经网络预测模型的改进加权主成分分析多响应参数优化方法，用径向基神经网络建立生产过程的非线性预测模型，引入神经网络模型能力预测指数，调整加权主成分分析算法，在多响应参数设计中优先改进预测能力强的响应，改善工艺参数优化效果。加权主成分分析法在多响应参数优化设计中通常采用线性回归构建响应变量与可控因子变量之间的关系模型，而对于复杂非线性生产过程，线性回归模型的拟合度不高，不能满足参数设计的建模要求。将本发明提出的方法应用于铝金属化聚丙烯薄膜电容器热聚合过程多响应参数优化设计，使电容器容值和损耗角正切值两个响应达到了满意的综合优化结果。

主权项

基于径向基神经网络预测模型的改进加权主成分分析多响应参数优化方法，其特征在于，包括：1)用主成分分析消除多个响应的相关性；对于生产过程中的P个响应Y1，Y2，…，Yp，用主成分分析消除它们之间的相关性，将其转化为k个不相关的主成分：Zq＝eq1Y1+eq2Y2+…+eqpYp其中中，k≤p，eq1,eq2,…,eqp为第q主成分的系数。2)构建RBF神经网络模型，计算预测能力指数；实验数据中可控影响因子变量共i个，过程响应变量共k个，将可控影响因子变量x1、x2…xi作为RBF神经网络模型的输入向量；将第j个响应变量yj作为RBF神经网络模型的输出向量，分别建立k个RBF神经网络模型；用MATLAB计算机应用软件构建并训练RBF神经网络模型；将第j个相应的RBF神经网络预测模型响应预测能力指数定义为rj：Rj=Σi=1pmsei-msejΣi=1pmsei,rj=RjΣi=1pRi,j=1,2,...,p,]]>mse为均方误差，r1+r2+…+rp＝1。3)用RBF神经网络模型响应预测能力指数与加权主成分分析法相结合，将主成分模型修改为:Zq‑new＝eq1r1Y1+eq2r2Y2+…+eqprpYp，利用各响应的RBF神经网络模型预测能力指数大小对各系数进行调整。