[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

摘要

本发明提供一种基于极限学习机的橡胶配方性能预测方法，属于橡胶配方技术领域。该方法避免了传统算法训练速度慢、容易陷入局部极小点以及需要设置大量网络训练参数等问题，极限学习机只需要设置神经网络的隐含层节点个数，而且在算法执行过程中不需要调整输入权值，明显提高了预测速度和精度，且可在使用中随着炼胶实验次数的增加对配方各组分的用量进行调整与优化，提高配方设计速度和精度，减少成本，增加可行度。

主权项

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。