基于人工蜂群优化算法和自适应模糊推理系统的PLA分子量可解释机器学习预测
系统与控制
2025-01-14 v1 机器学习
系统与控制
摘要
本文讨论了将人工蜂群（Artificial Bee Colony, ABC）算法与两种监督学习方法（即人工神经网络（ANN）和自适应网络化模糊推理系统（ANFIS））集成，用于从近红外（NIR）光谱中进行特征选择，以预测医用聚乳酸（PLA）的分子量。在PLA挤出加工过程中，捕获了挤出过程和机器设置数据。该数据集包含63个观察值和512个输入特征，对于解释数据并选择特征以提高预测准确性，确实需要合适的机器学习工具。初始情况下，ABC优化算法与ANN/ANFIS耦合，用于预测PLA分子量。ABC算法的目标函数是在最小化实验与预测PLA分子量之间根均方误差（RMSE）的同时，最小化输入特征的数量。结果表明，采用ABC-ANFIS可获得RMSE为282 Da的最低值，并识别出四个显著参数（NIR波数6158 cm-1、6310 cm-1、6349 cm-1以及熔体温度）用于预测。这些发现表明了使用ABC算法与ANFIS用于选择预测PLA分子量的最小特征集具有高度的有效性。
关键词
引用
@article{arxiv.2501.07247,
title = {Interpretable machine-learning for predicting molecular weight of PLA based on artificial bee colony optimization algorithm and adaptive neurofuzzy inference system},
author = {Amir Pouya Masoumi and Leo Creedon and Ramen Ghosh and Nimra Munir and Ross McMorrow and Marion McAfee},
journal= {arXiv preprint arXiv:2501.07247},
year = {2025}
}