CN112289393A - 一种基于神经网络集成学习的阳极铝箔性能预测系统 - Google Patents

一种基于神经网络集成学习的阳极铝箔性能预测系统 Download PDF

Info

Publication number
CN112289393A
CN112289393A CN202011172776.3A CN202011172776A CN112289393A CN 112289393 A CN112289393 A CN 112289393A CN 202011172776 A CN202011172776 A CN 202011172776A CN 112289393 A CN112289393 A CN 112289393A
Authority
CN
China
Prior art keywords
neural network
sample set
prediction
aluminum foil
data samples
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Granted
Application number
CN202011172776.3A
Other languages
English (en)
Other versions
CN112289393B (zh
Inventor
潘斯宁
梁力勃
杨小飞
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
GUANGXI HEZHOU GUIDONG ELECTRONIC TECHNOLOGY CO LTD
Original Assignee
GUANGXI HEZHOU GUIDONG ELECTRONIC TECHNOLOGY CO LTD
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by GUANGXI HEZHOU GUIDONG ELECTRONIC TECHNOLOGY CO LTD filed Critical GUANGXI HEZHOU GUIDONG ELECTRONIC TECHNOLOGY CO LTD
Priority to CN202011172776.3A priority Critical patent/CN112289393B/zh
Publication of CN112289393A publication Critical patent/CN112289393A/zh
Application granted granted Critical
Publication of CN112289393B publication Critical patent/CN112289393B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16C—COMPUTATIONAL CHEMISTRY; CHEMOINFORMATICS; COMPUTATIONAL MATERIALS SCIENCE
    • G16C60/00—Computational materials science, i.e. ICT specially adapted for investigating the physical or chemical properties of materials or phenomena associated with their design, synthesis, processing, characterisation or utilisation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16C—COMPUTATIONAL CHEMISTRY; CHEMOINFORMATICS; COMPUTATIONAL MATERIALS SCIENCE
    • G16C20/00—Chemoinformatics, i.e. ICT specially adapted for the handling of physicochemical or structural data of chemical particles, elements, compounds or mixtures
    • G16C20/70—Machine learning, data mining or chemometrics
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
    • Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
    • Y02P90/30—Computing systems specially adapted for manufacturing

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Computing Systems (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Physics & Mathematics (AREA)
  • Health & Medical Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Software Systems (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • General Health & Medical Sciences (AREA)
  • Biophysics (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Mathematical Physics (AREA)
  • Computational Linguistics (AREA)
  • Biomedical Technology (AREA)
  • Molecular Biology (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Chemical & Material Sciences (AREA)
  • Crystallography & Structural Chemistry (AREA)
  • Medical Informatics (AREA)
  • Databases & Information Systems (AREA)
  • Electrolytic Production Of Metals (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明公开了一种基于神经网络集成学习的阳极铝箔性能预测系统，通过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，并存储至制造数据样本库中；接着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数据样本组成临时样本集，并将临时样本集分成训练样本集和测试样本集；然后分别采用三种不同类型的神经网络，使用训练样本集内的数据样本进行模型的训练，再使用测试样本集进行测试，然后筛选得到该产品性能指标对应的神经网络预测模型；重复操作得到所有产品性能指标对应的神经网络预测模型用于构建得到阳极铝箔性能预测系统，解决阳极铝箔性能预测准确率较低，泛化能力较弱的问题。

Description

一种基于神经网络集成学习的阳极铝箔性能预测系统
技术领域
本发明属于阳极铝箔生产工艺技术领域，具体涉及一种基于神经网络集成学习的阳极铝箔性能预测系统。
背景技术
阳极铝箔是制造铝电解电容器的关键原材料，是由具有特定织构的高纯铝箔经过腐蚀扩面和阳极化成制备而成，主要包括腐蚀扩面和阳极化成两大工序，其制造过程综合了多学科、多领域的众多高新技术。生产过程中涉及多达几十个工艺参数，产品性能指标也接近十种，在阳极铝箔的全流程制造过程中，工艺参数数量多达几十个，且对最终产品性能指标影响很大；工艺参数之间的非线性影响因素较多，各性能参数之间相互关联，通过实验室正交测试及生产线调试得到最优工艺参数的难度较大。如何找到并利用生产工艺参数与性能指标之间的内在复杂关系，实现工艺参数优化设计与产品性能指标的准确预测，是阳极铝箔制造行业急需解决的关键问题。
机器学习作为人工智能领域中的一项先进技术，可实现多维非线性系统及模型未知系统的预测和优化。人工神经网络是机器学习中的一种典型结构，具有较强的鲁棒性、记忆能力以及非线性映射能力，可映射任意复杂的非线性关系，而且学习规则简单，便于计算机实现。
现有的利用工艺参数预测材料性能的神经网络模型，多是构建单一结构模型进行性能预测，准确率较低，泛化能力较弱，对于阳极铝箔性能预测时涉及到大量相互影响的工艺参数和性能指标的情形，适用性较差，预测精度较低。
发明内容
针对上述不足，本发明公开了一种基于神经网络集成学习的阳极铝箔性能预测系统，解决阳极铝箔性能预测准确率较低，泛化能力较弱的问题。
本发明是采用如下技术方案实现的：
一种基于神经网络集成学习的阳极铝箔性能预测系统，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；
(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。
进一步的，步骤(1)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。
进一步的，步骤(1)中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、四级化成等阶段的溶液成分及浓度、温度、电压、电流密度、处理时间，后处理阶段的温度及时间。
进一步的，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。
进一步的，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：
Figure BDA0002747812080000021
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。
进一步的，步骤(3)中根据弱预测器的预测结果调整权重值按照如下步骤进行：
S1，设定初始预测结果误差阈值
Figure BDA0002747812080000022
初始预测误差和e0、迭代训练次数M；
S2，训练第1个弱预测器时，采用训练样本集中数据样本分别训练三种不同类型的神经网络，并预测输出，然后根据下列公式计算对应神经网络的预测误差和e1：
e1＝∑D0(j)，
Figure BDA0002747812080000031
其中h1(xj)为训练样本xj的预测值，yj为实测值；
S3，接着按照下列公式，更新神经网络第2轮训练样本的权重值：
Figure BDA0002747812080000032
其中D1(j)为重新调整的权重值，D0(j)为初始权重值，N为数据样本的个数，h1(xj)为训练样本xj的预测值，yj为实测值，B0为归一化因子；
S4，然后按照以下公式，根据神经网络的预测误差和，更新预测误差阈值：
Figure BDA0002747812080000033
S5，然后重复进行步骤S2～S4的迭代，直至分别得到三种类型神经网络预设的M组弱预测器函数fi(x)(i＝1,2,…,M)。
进一步的，步骤(4)中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，具体是按照如下公式进行计算：
Figure BDA0002747812080000034
其中f(x)为强预测器函数，fi(x)为弱预测器函数，M为弱预测器的个数，e1为对应神经网络的预测误差和。
进一步的，在步骤(5)中具体是分别计算三种类型神经网络的强预测器所得到的预测值与实测值之间的误差百分比，对于误差百分比最小的神经网络强预测器评最高分，误差百分比次之的神经网络强预测器评次高分，误差百分比最大的神经网络强预测器评最低分，然后将各个神经网络的强预测器在全部测试样本中的得分进行相加，作为该类型神经网络强预测器的总得分，再选择总得分最高的神经网络强预测器作为该产品性能指标对应的神经网络预测模型。
本技术方案与现有技术相比较具有以下有益效果：
1、本发明通过采用boosting集成学习，构建一种基于神经网络集成学习的铝电解电容器用阳极铝箔性能预测系统，为其工艺设计优化及性能预测提供参考依据，缩短研发周期，降低研发成本。与现有技术相比，主要解决了目前采用单一类型神经网络建立的性能预测系统准确率较低、泛化能力较弱等现象，建立多个不同类型的神经网络弱预测器，并采用boosting集成学习得到该类型神经网络对应的强预测器，利用实时生产过程数据及性能指标进行模型的训练及测试，从中选择误差最小的神经网络强预测器，构建铝电解电容器用阳极铝箔性能预测系统。
2、本发明通过合并多个模型来提升机器学习性能，这种方法相较于单个模型通常能够获得更好的预测结果，得到的系统预测精度高，可用于铝电解电容器用阳极铝箔的电学性能和力学性能预测，有利于降低工艺研发成本，提高研发效率。
附图说明
图1是为实施例1中所述基于神经网络集成学习的阳极铝箔性能预测系统的操作流程示意图。
具体实施方式
以下通过实施例进一步说明本发明，但不作为对本发明的限制。下列实施例中未注明的具体实验条件和方法，所采用的技术手段通常为本领域技术人员所熟知的常规手段。
实施例1：
如图1所示，以采用三段化成工艺的铝电解电容器用阳极铝箔的电学性能和力学性能预测为例，来说明本方法的具体实施方案，需预测的产品性能指标具体为比电容、折弯强度；
(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；制造数据样本库中的数据要求在正常运行的生产线上收集，在常用的工艺参数范围内，得到的样本数据尽量均匀离散，三段化成工艺涉及的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、三级化成阶段的溶液成分及浓度、温度、电压、电流密度、处理时间，后处理阶段的温度及时间；涉及的阳极铝箔产品性能指标包括电学性能和力学性能，所述电学性能包括比电容、耐压值、漏电流、升压时间、耐水性能；所述力学性能包括折弯强度、抗拉强度；
(2)从制造数据样本库中提取比电容的检测数据及其所对应的所有工艺参数组成第一临时样本集，然后将第一临时样本集分成第一训练样本集和第一测试样本集，所述第一训练样本集或第一测试样本集中包括比电容所对应的所有工艺参数的数据样本，所述第一临时样本集中数据样本的总数量为N个，所述第一训练样本集中数据样本的数量与第一测试样本集中数据样本的数量比为7:3；
(3)平均分配第一训练样本集中每组数据样本的初始权重值，采用等概率分配原则，按照如下公式计算初始权重值：
Figure BDA0002747812080000051
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；
接着分别采用BP神经网络(Back Propagation)、RBF神经网络(径向基函数，Radial Basis Function)、GRNN神经网络(广义回归，General Regression NeuralNetwork)作为弱预测器，使用第一训练样本集内的数据样本进行模型的训练，并且预测输出，根据预测结果调整第一训练样本集中每组数据样本的权重值，根据弱预测器的预测结果调整权重值按照如下步骤进行：
S1，设定初始预测结果误差阈值
Figure BDA0002747812080000055
初始预测误差和e0、迭代训练次数M；误差阈值可以设为0.1，误差和可以设为0.0001，迭代训练次数为10～20次；
S2，训练第1个弱预测器时，采用训练样本集中数据样本分别训练三种不同类型的神经网络，并预测输出，然后根据下列公式计算对应神经网络的预测误差和e1：
e1＝∑D0(j)，
Figure BDA0002747812080000052
其中h1(xj)为训练样本xj的预测值，yj为实测值；
S3，接着按照下列公式，更新神经网络第2轮训练样本的权重值：
Figure BDA0002747812080000053
其中D1(j)为重新调整的权重值，D0(j)为初始权重值，N为数据样本的个数，h1(xj)为训练样本xj的预测值，yj为实测值，B0为归一化因子；
S4，然后按照以下公式，根据神经网络的预测误差和，更新预测误差阈值：
Figure BDA0002747812080000054
S5，然后重复进行步骤S2～S4的迭代，直至分别得到三种类型神经网络预设的M组弱预测器函数fi(x)(i＝1,2,…,M)；
接着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，具体是按照如下公式进行计算：
Figure BDA0002747812080000061
其中f(x)为强预测器函数，fi(x)为弱预测器函数，M为弱预测器的个数，e1为对应神经网络的预测误差和；
(5)使用第一测试样本集中的数据样本，分别采用上述三种类型的神经网络对应得到的强预测器进行产品比电容的预测结果，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，具体是按照以下方式进行强预测器的筛选，对于第一测试样本集中的每一组数据样本，分别计算三种类型神经网络的强预测器所得到的预测值与实测值之间的误差百分比，对于误差百分比最小的神经网络强预测器评最高分(3分)，误差百分比次之的神经网络强预测器评次高分(2分)，误差百分比最大的神经网络强预测器评最低分(1分)，然后将各个神经网络的强预测器在全部测试样本中的得分进行相加，作为该类型神经网络强预测器的总得分，再选择总得分最高的神经网络强预测器作为比电容对应的神经网络预测模型，具体结果见表1；
表1三种类型的神经网络模型性能预测得分
数据样本编号 BP神经网络 RBF神经网络 GRNN神经网络
1# 2 1 3
2# 1 2 3
3# 3 1 2
4# 1 2 3
5# 2 1 3
6# 1 3 2
7# 2 1 3
8# 1 2 3
9# 1 2 3
10# 3 1 2
11# 2 1 3
12# 1 3 2
13# 2 1 3
14# 1 3 2
15# 2 1 3
16# 3 2 1
17# 1 3 2
18# 2 1 3
预测得分合计 31 31 46
根据表1中的结果，GRNN神经网络强预测器的预测总得分最高，因此选择GRNN神经网络强预测器作为三段化成工艺的铝电解电容器用阳极铝箔的比电容预测模型；
(6)从制造数据样本库中提取折弯强度的检测数据及其对应的工艺参数组成关于工艺参数和折弯强度的第二临时样本集，第二临时样本集中的数据样本数量为N个，再按照步骤(2)～步骤(5)的操作，得到折弯强度对应的神经网络预测模型，将其与比电容预测模型一起构建得到阳极铝箔电学性能和力学性能的预测系统，用于铝电解电容器用阳极铝箔产品的性能预测。
此外，应当理解，虽然本说明书按照实施方式加以描述，但并非每个实施方式仅包含一个独立的技术方案，说明书的这种叙述方式仅仅是为清楚起见，本领域技术人员应当将说明书作为一个整体，各实施例中的技术方案也可以经适当组合，形成本领域技术人员可以理解的其他实施方式。

Claims (7)

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；
(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(1)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。
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(1)中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、四级化成等阶段的溶液成分及浓度、温度、电压、电流密度、处理时间，后处理阶段的温度及时间。
4.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。
5.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：
Figure FDA0002747812070000021
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。
6.根据权利要求5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)中根据弱预测器的预测结果调整权重值按照如下步骤进行：
S1，设定初始预测结果误差阈值
Figure FDA0002747812070000026
初始预测误差和e0、迭代训练次数M；
S2，训练第1个弱预测器时，采用训练样本集中数据样本分别训练三种不同类型的神经网络，并预测输出，然后根据下列公式计算对应神经网络的预测误差和e1：
e1＝∑D0(j)，
Figure FDA0002747812070000022
其中h1(xj)为训练样本xj的预测值，yj为实测值；
S3，接着按照下列公式，更新神经网络第2轮训练样本的权重值：
Figure FDA0002747812070000023
其中D1(j)为重新调整的权重值，D0(j)为初始权重值，N为数据样本的个数，h1(xj)为训练样本xj的预测值，yj为实测值，B0为归一化因子；
S4，然后按照以下公式，根据神经网络的预测误差和，更新预测误差阈值
Figure FDA0002747812070000027
Figure FDA0002747812070000024
S5，然后重复进行步骤S2～S4的迭代，直至分别得到三种类型神经网络预设的M组弱预测器函数fi(x)(i＝1,2,…,M)。
进一步的，步骤(4)中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，具体是按照如下公式进行计算：
Figure FDA0002747812070000025
其中f(x)为强预测器函数，fi(x)为弱预测器函数，M为弱预测器的个数，e1为对应神经网络的预测误差和。
7.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：在步骤(5)中具体是分别计算三种类型神经网络的强预测器所得到的预测值与实测值之间的误差百分比，对于误差百分比最小的神经网络强预测器评最高分，误差百分比次之的神经网络强预测器评次高分，误差百分比最大的神经网络强预测器评最低分，然后将各个神经网络的强预测器在全部测试样本中的得分进行相加，作为该类型神经网络强预测器的总得分，再选择总得分最高的神经网络强预测器作为该产品性能指标对应的神经网络预测模型。
CN202011172776.3A 2020-10-28 2020-10-28 一种基于神经网络集成学习的阳极铝箔性能预测系统 Active CN112289393B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202011172776.3A CN112289393B (zh) 2020-10-28 2020-10-28 一种基于神经网络集成学习的阳极铝箔性能预测系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202011172776.3A CN112289393B (zh) 2020-10-28 2020-10-28 一种基于神经网络集成学习的阳极铝箔性能预测系统

Publications (2)

Publication Number Publication Date
CN112289393A true CN112289393A (zh) 2021-01-29
CN112289393B CN112289393B (zh) 2023-08-22

Family

ID=74372858

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202011172776.3A Active CN112289393B (zh) 2020-10-28 2020-10-28 一种基于神经网络集成学习的阳极铝箔性能预测系统

Country Status (1)

Country Link
CN (1) CN112289393B (zh)

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103218674A (zh) * 2013-04-07 2013-07-24 国家电网公司 基于bp神经网络模型的光伏发电系统输出功率预测方法
CN103955742A (zh) * 2014-04-28 2014-07-30 淮阴工学院 一种基于集成学习的pm2.5预报方法
CN107014769A (zh) * 2017-03-20 2017-08-04 南京林业大学 一种基于THz光谱分析的鲜肉K值快速无损检测模型
CN107688863A (zh) * 2017-07-13 2018-02-13 天津大学 自适应迭代加强的短期风速高精度组合预测方法
US20200151610A1 (en) * 2018-11-09 2020-05-14 Industrial Technology Research Institute Ensemble learning predicting method and system

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103218674A (zh) * 2013-04-07 2013-07-24 国家电网公司 基于bp神经网络模型的光伏发电系统输出功率预测方法
CN103955742A (zh) * 2014-04-28 2014-07-30 淮阴工学院 一种基于集成学习的pm2.5预报方法
CN107014769A (zh) * 2017-03-20 2017-08-04 南京林业大学 一种基于THz光谱分析的鲜肉K值快速无损检测模型
CN107688863A (zh) * 2017-07-13 2018-02-13 天津大学 自适应迭代加强的短期风速高精度组合预测方法
US20200151610A1 (en) * 2018-11-09 2020-05-14 Industrial Technology Research Institute Ensemble learning predicting method and system

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
李翔;朱全银;: "Adaboost算法改进BP神经网络预测研究", 计算机工程与科学, no. 08 *

Also Published As

Publication number Publication date
CN112289393B (zh) 2023-08-22

Similar Documents

Publication Publication Date Title
CN112382352B (zh) 基于机器学习的金属有机骨架材料结构特征快速评估方法
CN112289391B (zh) 一种基于机器学习的阳极铝箔性能预测系统
CN108595916B (zh) 基于生成对抗网络的基因表达全谱推断方法
CN111191191B (zh) 一种精准预测混凝土坝变形效应的组合模型的构建方法
CN107622322B (zh) 中长期径流的预报因子识别方法、中长期径流的预测方法
CN110569566A (zh) 一种板带力学性能预测方法
CN112289392A (zh) 一种铝电解电容器用阳极铝箔性能预测方法
CN112757053B (zh) 基于功率和振动信号的模型融合刀具磨损监测方法及系统
CN113866552B (zh) 一种基于机器学习的中压配网用户用电异常诊断方法
CN109241493A (zh) 基于马尔可夫随机场和em算法的关键性能指标软测量方法
CN117113166A (zh) 一种基于改进的集成学习的工业锅炉故障检测方法
CN110796303B (zh) 一种基于ewt和odbscan的短期电力负荷预测方法
CN116564409A (zh) 基于机器学习的转移性乳腺癌转录组测序数据识别方法
CN111027841A (zh) 一种基于梯度提升决策树的低压台区线损计算方法
CN108491878B (zh) 一种基于多个误差生成模型的故障分类诊断方法
CN110196456A (zh) 一种基于相似年灰色关联分析的中长期降雨径流预报方法
CN113808681A (zh) 基于SHAP-CatBoost快速预测ABO3型钙钛矿材料比表面积的方法及其系统
CN112289393B (zh) 一种基于神经网络集成学习的阳极铝箔性能预测系统
CN117609818A (zh) 基于聚类与信息熵的电网关联关系发现方法
CN112001530A (zh) 一种变压器油色谱在线监测装置预测性维护方法及系统
CN114550842A (zh) 抑制靶标蛋白生物活性的药物化合物分子预测方法及系统
CN114266593A (zh) 一种基于kpca和线性回归的电力消费预测方法
CN113255207A (zh) 基于迭代多输出-马尔科夫链的空分系统氩馏分变量多步预测方法
CN113344245A (zh) 混合深度学习短期预测模型、方法、存储介质和计算设备
CN112016732A (zh) 一种基于irf和odbscan的电力负荷频域预测方法及系统

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant