随着工业过程的日益复杂,对于那些多变量、非线性,变量间高度偶合的复杂过程,传统的数据分析方法已远不能满足要求;而且,随着计算机技术和检测技术的迅速发展,生产过程中存在大量的冗余数据,很显然这些高度冗余的数据包含了生产运行状态以及最终产品质量等方面的信息。 高维数据包含的大量冗余给数据分析带来了困难。因此,对高维数据进行数据分析时,必须先对原始数据进行降维处理。而传统的数据处理方法却没有有效的手段提取这些有用的信息,从而造成资源的极大浪费. 目前,以多变量投影方法——主成分分析核心的多变量数据降维技术有效地解决了这些问题。然而,对于存在严重非线性的过程,PCA分析结果却不尽人意。人工神经网络作为一种有效的建模方法,具有不需要模型信息、良好的学习能力以及能任意精度地模拟非线性函数等优点,已被广泛用于生产过程。问题在于当神经网络模型输入变量维数过高,网络模型过于复杂时,往往导致网络训练精度下降,建模效果变差。 本文结合了主成分分析和人工神经网络的优点,提出一种基于PCA算法的人工神经网络模型(PCA-ANN模型)。研究表明,PCA-ANN模型通过对神经网络训练样本进行主成分分析来改进样本的输入因子数,可以消除网络输入之间数据的相关性,同时减少网络的输入数,简化网络结构,从而提高网络的学习速率及精度。 本文根据PCA-ANN模型原理,借助计算机数据处理软件MATLAB,开发出了针对橡胶配方优化设计的数据处理系统(PCA-ANN Rubber Formulation Optimization system,简称PCA-ANN RCOS)。同时以SBR橡胶配方中5种配合剂的用量对配方性能影响为例,应用PCA-ANN RCOS系统对5个变量参数进行