科研之友
微信
新浪微博
Facebook
分享链接
摘要
针对神经网络软测量建模过程中有效信息丢失的情况,在传统3层径向基神经网络（RBFNN）模型的输入层和隐含层之间引入先验层。先验层与输入层之间的权值可直接表征通过机理、统计或者人工智能算法分析得到的先验知识,即各个输入变量的重要程度信息,该权值的变化可以改变RBFNN聚类的空间形状,使得样本在训练过程中的聚类更为合理,从而提高了RBFNN软测量模型的预测精度。RBFNN模型在污水处理过程的生化需氧量（BOD）预测中得到了验证。仿真结果表明,相比传统3层RBFNN网络,融入先验知识的4层RBFNN软测量模型具有更优异的拟合能力。
