多神经网络技术是一种由多个子网络构成的系统，它能够将复杂的输入空间划分为一些小的局部空间，并且利用单个子网络在对应的局部空间中发挥主要的作用。在化工过程中，利用多神经网络建模的方法对于解决过程变量估计和控制中的非线性和滞后问题具有重要的意义。特别是在粘度软测量仪表的设计中，多神经网络能够基于RBFNN（径向基函数神经网络）作为一种子网络，实现对主导变量的估计。
RBF神经网络是一种特殊的三层前向网络，它包括输入层、隐含层和输出层。其中，输入层由信号源结点组成；隐含层由单元数自动确定，通常通过算法自动确定；输出层则对输入模式的作用作出响应。在本文中，采用的是高斯函数作为径向基函数，并使用K均值法作为聚类方法。RBF网络以其短的学习时间和良好的逼近性能而被广泛使用。
在建立多神经网络结构的过程中，首先需要确定RBF子网络的个数，然后从历史数据库中选择训练样本集，剔除异常数据并进行归一化处理。接着，使用K均值法训练各个子网络，确定网络中心数、聚类中心和隐节点到输出节点的权值。通过这样的步骤，可以实现网络的构建和参数优化。
在多神经网络中，子网络类型的有效选取至关重要。本文提出的多神经网络MNN模型通过权连接方式，使每个子模型对输出都有一定的贡献。这样的模型能够提高模型预测能力，并且改进模型预测的精度，同时更好地解决对象存在的非线性问题。在多神经网络中，子网络之间需要通过一定的综合方法进行连接，常用的综合方法包括等权值法、最小二乘法和主元回归法。在文中，所使用的是最小二乘法。
在实际应用中，通过含有3个RBF子网络的多神经网络建立新的软测量仪表模型，使用了代表性的训练样本集。首先选择3个样本集训练3个网络输出Yi。随后，使用最小二乘法确定公式中的各个子网络的权重，再通过新的样本集对软测量仪表模型进行检验。
软测量技术是针对化工过程中难以直接测量的主导变量，通过选择一组与主导变量密切相关且易于测量的辅助变量，构建数学模型来进行间接测量的技术。该技术在化工过程控制和经济效益提高方面具有重要的应用价值。与传统的机理模型、回归分析等方法相比，基于神经网络的软测量模型能够更加有效地处理化工过程的非线性和滞后问题，具有较高的准确性和泛化能力。
从文献中可以得知，采用基于RBFNN的多神经网络进行软测量仪表的建模，是化工过程中的一个重要发展方向。这种方法不仅能够处理非线性和滞后问题，还能根据输入输出数据直接建模，极大地提高了化工过程控制的精确度和效率。随着技术的发展，多神经网络在软测量仪表领域的应用前景将会越来越广泛。
