IMPROVED PERFORMANCE OF ARTIFICIAL NEURAL NETWORK MODELS IN THE PRESENCE OF INSTRUMENTAL NOISE AND MEASUREMENT ERRORS

A method is described for improving the prediction accuracy and generalization performance of artificial neural network models in presence of input-output example data containing instrumental noise and/or measurement errors, the presence of noise and/or errors in the input-output example data used for training the network models create difficulties in learning accurately the nonlinear relationships existing between the inputs and the outputs,to effectively learn the noisy relationships, the methodology envisages creation of a large-sized noise-superimposed sample input-output dataset using computer simulations, here, a specific amount ofGaussian noise is added to each input/output variable in the example set and the enlarged sample data set created thereby is used as the training set for constructing the artificial neural network model, the amount of noise to be added is specific to an input/output variable and its optimal value is determined using a stochastic search and optimization technique, namely, genetic algorithms, the network trained on the noise-superimposed enlarged training set shows significant improvements in its prediction accuracy and generalization performance, the invented methodology is illustrated by its successful application to the example data comprising instrumental errors and/or measurement noise from an industrial polymerization reactor and a continuous stirred tank reactor (CSTR). L'invention concerne un procédé permettant d'améliorer la précision de prédiction et la performance de généralisation de modèles de réseaux neuronaux artificiels en présence de données exemple d'entrée-sortie contenant du bruit instrumental et/ou des erreurs de mesure. La présence du bruit et/ou d'erreurs dans les données exemple d'entrée-sortie utilisées pour entraîner les modèles de réseaux crée des difficultés dans l'apprentissage précis des relations non linéaires qui existent entre les entrées et les sorties. Afin d'apprendre efficacement les relations de bruit, le procédé de cette invention envisage la création d'un ensemble de données d'entrée-sortie échantillon de bruit superposé de grande taille, à l'aide de simulations informatiques. Dans le cas présent, un quantité spécifique de bruit gaussien est ajoutée à chaque variable d'entrée-sortie dans l'ensemble exemple et l'ensemble de données exemple élargi ainsi créé est utilisé en tant qu'ensemble d'entraînement pour construire le modèle de réseau neuronal artificiel. La quantité de bruit à ajout