基于KPCA和离散Walsh变换的改进过程神经网络建模

针对过程神经网络在输入维数较高时存在时间代价过大的缺点，提出了基于核主元分析（KPCA）和离散Walsh变换的改进过程神经网络算法（IPNNKPW）。该算法结合KPCA和离散Walsh正交基变换，减少了过程神经网络的输入计算代价；引入动量因子和自适应学习率，加速了网络收敛并有效地抑制了网络震荡。应用该算法对聚合反应中聚丙烯腈平均分子量建模，仿真实验结果验证了该算法的有效性，它能以较少的时间代价得到较高的模型精度。