基于神经网络集成的挥发分近红外回归模型

作者：雷萌; 李明; 吴楠; 董亮

来源：中国矿业大学学报, 2013, (02): 291-295.

DOI：10.13247/j.cnki.jcumt.2013.02.021

• 挥发分回归模型
• 神经网络
• 集成学习
• 参数优化 volatile regression model
• neural network
• ensemble learning
• parameter optimization

针对煤炭光谱特征信息分散的现象,提出了基于神经网络集成的挥发分近红外回归模型.该模型引入集成学习的思想,综合SOM,RBF,BP和Elman神经网络学习算法的优势,通过求各子模型的输出均值获得最终的预测结果.为了减小因算法参数设置不当而引起的学习误差,根据各网络算法的特点,利用经验知识、交叉验证和遗传算法优化模型参数.研究结果表明:经相同算法优化后,集成学习模型的性能明显优于单一神经网络,其最大误差小于3%,比单一神经网络小1～2倍.该方法有效地提高了模型的学习精确度,且具有较好的泛化性,适用于复杂多变的非线性煤质近红外回归问题.

• 单位
  中国矿业大学（北京）; 中国矿业大学; 河北出入境检验检疫局