[發明專利]基于模擬退火優化BP神經網絡的pH值預測方法

在審

• 申請號: 201410738449.8
• 申請日: 2014-12-05
• 公開（公告）號: CN104700153A
• 公開（公告）日: 2015-06-10
• 發明（設計）人: 吳靜靜;宋淑娟;尤麗華;王金華
• 申請（專利權）人: 江南大學
• 主分類號: G06Q10/04
• 分類號: G06Q10/04;G06Q50/06;G06N3/02
• 代理公司: 徐州支點知識產權代理事務所(普通合伙) 32244
• 代理人: 劉新合

技術領域

本發明涉及的是一種參數預測估計領域的方法，具體是一種基于模擬退火優化BP神經網絡的pH值預測方法。

技術背景

不管是地層水、生活飲用水，還是工業用水的檢測，pH值和氯離子濃度是需測量的重要參數。目前，地層水氯離子濃度測定大多采用實驗室常規分析法，如電位滴定、離子色譜等。這些方法操作復雜，無法現場應用。對于pH值的檢測，除pH計外，使用最多的是試紙法。該法由人眼進行色卡比對判讀pH值，因此，受人為因素影響較大，如人的顏色視覺存在差異。此外，探礦人員進行野外水質檢測，需要一種攜帶方便、操作簡單的自動水質pH值檢測儀。該自動水質pH值檢測儀通過顏色傳感器獲得測試試紙呈現的紅(R)、綠(G)和藍(B)三個顏色分量，根據顏色值自動判讀水質的pH值。

針對pH值的自動判讀問題，主要是根據實測實驗數據和數據處理算法建立pH值與R、G、B之間的近似模型，由該模型對水質的pH進行預測，從而實現pH值的自動測量。該近似模型涉及的變量包括顏色分量R，G，B，及相應pH值，屬于四維空間模型問題，而且pH值與R、G、B的關系呈強烈的非線性，難以建立精確物理模型。

處理上述問題的常規方法是多元回歸分析，即通過多元回歸分析找出pH值與R、G、B三個輸入變量之間的定度關系。但該方法的非線性擬合能力和預測精確度低。而神經網絡如BP神經網絡模型也是近年來有效的方法。

經過現有文獻檢索發現，BP神經網絡模型的非線性擬合能力和預測精確度高于多元回歸分析。但其存在以下缺點：(1)傳統BP網絡采用梯度下降法計算連接權值，易于陷入局部最小值(2)收斂速度慢。

發明內容

本發明針對現有技術中存在的不足，提出一種基于模擬退火(SA)優化BP神經網絡的pH值預測方法。本發明通過SA優化的BP神經網絡建立了pH值與R、G、B三個輸入變量之間的定度關系，實現了pH值的準確預測，具有非線性擬合能力和預測精確度高的優點。

本發明是通過以下技術方案實現的，本發明包括以下步驟：

第一步，根據樣本選取策略選取樣本并輸入。

所述的樣本選取策略，具體是：

(1)剔除不合格的或無效的數據。比如超過樣本量測范圍的數據(即野值)，或者相同輸入值對應于不同的輸出值的樣本等；

(2)由于BP網絡是按照相似性進行聯想的，對于與樣本的相似度高的狀態的預測準確度高，為此，在選擇訓練樣本向量時，應包括三個輸入顏色值的可能極值組合，即輸入樣本向量覆蓋全部可能的測量范圍；

(3)把選定的合格輸入輸出量測值整理成適合BP網絡訓練格式的樣本向量，對輸入數據進行歸一化處理以適應輸入層神經元非線性函數的要求等。

第二步，根據BP定理，確定BP神經網絡的結構。

所述的BP定理，具體是：

給定任意ε＞0和任意L₂函數f：[0?1]ⁿ→R^m，存在一個三層BP網絡，它可在任意ε平方誤差精度內逼近f。BP神經網絡的結構包括輸入層、隱層和輸出層三層，以此作為預測器。

第三步，根據網絡訓練策略，采用模擬退火算法優化BP網絡權值參數，利用輸入的樣本對BP網絡進行訓練，確定BP網絡的最優權值及最優隱層節點數。

所述的訓練策略，具體是：

訓練策略分為訓練和修正兩個步驟。訓練時又將樣本數據集合隨機地分為2部分：(1)訓練集合，用于網絡的訓練；(2)測試集合，用于測試網絡的預測效果。修正步驟是，改變網絡結構，即增加或減少隱層節點的個數，然后再次進行訓練，最后根據預測效果確定最優的隱層節點數目及網絡結構。

所述的模擬退火算法，具體是：

其中：f:ω→R⁺為優化函數，ω∈S是一個可行的解，表示ω的一個鄰域，l為在溫度T_k下的搜索時間步數，P(ω(l)是ω(l)接受ω′(l)作為下一個新解ω(l+1)的概率。根據該概率，采用輪盤賭法選擇ω′(l)作為下一個新解ω(l+1)。當?在溫度T_k下經過多次轉移后溫度降低到T_k+1＜T_k時，在T_k+1下重復上述過程直至溫度降到很低，則全局最優解將以概率1被找到。

第四步，根據訓練好的BP神經網絡，構建pH值的預測模型。

所述的pH值預測模型，具體是：