基于神经网络优选相关变量建模的注塑过程质量指标软测量的方法、装置、处理器及其介质制造方法及图纸

本发明专利技术涉及一种基于神经网络优选相关变量建模实现注塑过程质量指标软测量的方法，包括以下步骤：计算变量间的互信息值，通过互信息值分析挑选质量指标相关变量；引入随机变量，衡量相关变量对于模型预测性能的重要性，消除冗余变量。本发明专利技术还涉及一种用于实现基于神经网络优选相关变量建模的注塑过程质量指标软测量的装置、处理器及其存储介质。本发明专利技术采用了基于神经网络优选相关变量建模实现注塑过程质量指标软测量的方法、装置、处理器及其计算机可读存储介质，通过优选相关变量可以有效提高质量指标的预测精度，并且可以降低黑箱模型的复杂度和数据的冗余度。箱模型的复杂度和数据的冗余度。箱模型的复杂度和数据的冗余度。

【技术实现步骤摘要】
基于神经网络优选相关变量建模的注塑过程质量指标软测量的方法、装置、处理器及其介质


[0001]本专利技术涉及注塑过程质量指标软测量领域，尤其涉及利用神经网络优选相关变量应用于注塑成型过程的质量变量软测量领域，具体是指一种基于神经网络优选相关变量建模实现注塑过程质量指标软测量的方法、装置、处理器及其计算机可读存储介质。

技术介绍

[0002]随着时代的发展，塑料制品由于其可塑性强、稳定性高、密度小、轻便性等特点被广泛应用于汽车制造、家具制造、航空航天制造、电力电子器件制造等领域。并且注塑成型过程应用面非常的广泛，几乎所有的热塑性塑料制品都是用此方法生产，占塑料制品总量的30％。在生产注塑件的过程中，注塑成型是最重要的一环，该过程会直接影响最终注塑件成品的品质。因此对注塑过程的质量指标软测量是大规模生产过程安全、高效、绿色运行的重要保障。
[0003]在面对高维非线性复杂模型和海量数据时，变量挑选可以剔除无关特征，从而大幅度的降低后续建模的复杂度并增加整体模型的预测精度。基于互信息的神经元信息优化算法，有效的实现了对神经网络无关神经元的剔除本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于神经网络优选相关变量建模实现注塑过程质量指标软测量的方法，其特征在于，所述的方法包括以下步骤：(1)计算变量间的互信息值，通过互信息值分析挑选质量指标相关变量；(2)引入随机变量，衡量相关变量对于模型预测性能的重要性，消除冗余变量。2.根据权利要求1所述的基于神经网络优选相关变量建模实现注塑过程质量指标软测量的方法，其特征在于，所述的步骤(1)具体包括以下步骤：(1.1)计算质量变量和其他变量的互信息值；(1.2)引入一个随机变量，计算其与质量变量的互信息值，从而确定变量筛选的阈值；(1.3)将互信息值作为初筛条件，初步筛选变量，过滤无关变量。3.根据权利要求1所述的基于神经网络优选相关变量建模实现注塑过程质量指标软测量的方法，其特征在于，所述的步骤(1)中计算变量间的互信息值，具体为：根据以下公式计算变量间的互信息值：其中，I(x,y)表示两个变量之间的互信息值，p(x)和p(y)分别表示x和y的边缘概率密度，p(x,y)表示x和y的联合概率密度，x和y为两个变量。4.根据权利要求1所述的基于神经网络优选相关变量建模实现注塑过程质量指标软测量的方法，其特征在于，所述的步骤(2)具体包括以下步骤：(2.1)进行神经网络训练；(2.2)计算每个变量的重要性；(2.3)消除重要性低的变量；(2.4)估计FDR值；(2.5)判断FDR值是否小于终止条件，如果是，则继续步骤(2.6)；否则，继续步骤(2.1)；(2.6)删除随机变量，并训练最终模型。5.根据权利要求4所述的基于神经网络优选相关变量建模实现注塑过程质量指标软测量的方法，其特征在于，所述的步骤(2.2)中计算每个变量的重要性，具体为：根据以下公式计算每个变量的重要性：其中，L表示损失函数，表示L对于第j个变量x
j
的第i个样本的偏导数值，n为样本...

【专利技术属性】
技术研发人员：曹志兴，姜庆超，张中一，张晓炜，卢静宜，
申请(专利权)人：华东理工大学，
类型：发明
国别省市：