[發(fā)明專利]基于采用多父代遺傳算法的人工神經(jīng)網(wǎng)絡(luò)的噴射器性能預(yù)測方法

在審

• 申請?zhí)枺?/td>: 201710107962.0
• 申請日: 2017-02-27
• 公開（公告）號(hào): CN106951983A
• 公開（公告）日: 2017-07-14
• 發(fā)明（設(shè)計(jì)）人: 蔣寧;潘凡;徐英杰;高增梁
• 申請（專利權(quán)）人: 浙江工業(yè)大學(xué)
• 主分類號(hào): G06Q10/04
• 分類號(hào): G06Q10/04;G06N3/12;G01M99/00
• 代理公司: 杭州斯可睿專利事務(wù)所有限公司33241
• 代理人: 王利強(qiáng)

1.一種基于采用多父代遺傳算法的人工神經(jīng)網(wǎng)絡(luò)的噴射器性能預(yù)測方法，其特征在于：包括以下步驟：

步驟一，數(shù)據(jù)的采集與處理

對于給定的噴射器，收集相關(guān)參數(shù)即引射流體壓力Pe、工作流體壓力Pp、出口背壓Pc和引射系數(shù)對引射流體壓力、工作流體壓力與出口背壓進(jìn)行歸一化處理，使其到[0,1]之間，公式如下：

其中，k為歸一化后的數(shù)據(jù)，x為被歸一化數(shù)據(jù)，x_min為被歸一化數(shù)據(jù)中的最小值，x_max為被歸一化數(shù)據(jù)中最大值；

步驟二，神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)的建立

根據(jù)輸入輸出參數(shù)，確定神經(jīng)網(wǎng)絡(luò)的輸入輸出層結(jié)點(diǎn)數(shù)，隱含層層數(shù)為一層，節(jié)點(diǎn)數(shù)根據(jù)經(jīng)驗(yàn)公式：得出，其中l(wèi)、n為輸入、輸出節(jié)點(diǎn)數(shù)，a為常數(shù)，判定神經(jīng)網(wǎng)絡(luò)的輸入層節(jié)點(diǎn)數(shù)，輸出層節(jié)點(diǎn)數(shù)，選取隱含層節(jié)點(diǎn)數(shù)、學(xué)習(xí)率、訓(xùn)練目標(biāo)、循環(huán)次數(shù)設(shè)置和各層權(quán)值初始值；

步驟三，設(shè)置遺傳算法初始參數(shù)

設(shè)置種群規(guī)模、進(jìn)化次數(shù)、交叉概率和變異概率，將BP神經(jīng)網(wǎng)絡(luò)的權(quán)值與閾值組成遺傳編碼，重復(fù)運(yùn)行步驟二中建立的神經(jīng)網(wǎng)絡(luò)并記錄每次運(yùn)行完成的遺傳編碼建立種群；

步驟四，建立評價(jià)函數(shù)，以每組染色體所構(gòu)造的神經(jīng)網(wǎng)絡(luò)所預(yù)測的結(jié)果為依據(jù)，計(jì)算并記錄對應(yīng)的適應(yīng)度值；

步驟五，遺傳算法處理

a.選擇操作：在舊群體中以一定概率選擇個(gè)體用來產(chǎn)生下一代，個(gè)體被選中的概率與適應(yīng)度值有關(guān)，適應(yīng)度的值越好，被選中的概率就越大；

b.多父代交叉操作：是指從種群中選擇多條父代染色體進(jìn)行下一代染色體的建立，通過染色體的交叉組合，產(chǎn)生新的個(gè)體；

c.變異操作：是指從群體中任選一個(gè)個(gè)體，對所選擇的染色體中某段編碼進(jìn)行變異以產(chǎn)生更優(yōu)秀的個(gè)體；

步驟六，將新得到的染色體個(gè)體中的遺傳編碼進(jìn)行解碼，計(jì)算適應(yīng)度，與原種群進(jìn)行比較，優(yōu)勝劣汰；重復(fù)步驟四-步驟五，不斷的對種群中個(gè)體進(jìn)行選擇、交叉、變異操作并記錄適應(yīng)度值，達(dá)到進(jìn)化次數(shù)上限；適應(yīng)度最優(yōu)解對應(yīng)的染色體即為所建立的多父代BP-GA神經(jīng)網(wǎng)絡(luò)所對應(yīng)的閾值與權(quán)值，對得到的多父代BP-GA神經(jīng)網(wǎng)絡(luò)進(jìn)行訓(xùn)練，直至預(yù)測輸出變量的誤差小于給定值；

步驟七，在實(shí)際工程應(yīng)用中，用多父代BP-GA神經(jīng)網(wǎng)絡(luò)對某給定的噴射器性能進(jìn)行預(yù)測，測量實(shí)際狀態(tài)下的輸入變量，即引射流體壓力p_e、工作流體壓力p_p，通過多父代BP-GA神經(jīng)網(wǎng)絡(luò)噴射器性能預(yù)測模型得到預(yù)測參數(shù)，預(yù)測參數(shù)為出口背壓p_c，引射系數(shù)將p_c進(jìn)行反歸一化得到改進(jìn)BP-GA神經(jīng)網(wǎng)絡(luò)預(yù)測出口背壓p_c實(shí)際值。

2.如權(quán)利要求1所述的基于采用多父代遺傳算法的人工神經(jīng)網(wǎng)絡(luò)的噴射器性能預(yù)測方法，其特征在于：所述步驟二中，隱含層節(jié)點(diǎn)數(shù)的選取，學(xué)習(xí)率取0.1～0.2，訓(xùn)練目標(biāo)取10^-3～10^-6，各層權(quán)值初始值取[-1,1]之間的隨機(jī)數(shù)。

3.如權(quán)利要求1或2所述的基于采用多父代遺傳算法的人工神經(jīng)網(wǎng)絡(luò)的噴射器性能預(yù)測方法，其特征在于：所述步驟三中，設(shè)置遺傳算法初始參數(shù)，令種群規(guī)模取N₁，進(jìn)化次數(shù)取N₂次，交叉概率設(shè)為20％～50％，變異概率設(shè)為1％～10％，每個(gè)個(gè)體由神經(jīng)網(wǎng)絡(luò)的權(quán)值與閾值組成，BP-GA神經(jīng)網(wǎng)絡(luò)拓?fù)浣Y(jié)構(gòu)為l-m-n，即輸入層有l(wèi)個(gè)節(jié)點(diǎn)，隱含層有m個(gè)節(jié)點(diǎn)，輸出層有n個(gè)節(jié)點(diǎn)，共有l(wèi)×m×n個(gè)權(quán)值，m+n個(gè)閾值，所以遺傳算法個(gè)體染色體編碼長度為l×m×n+m+n個(gè)；對步驟二建立的人工神經(jīng)網(wǎng)絡(luò)進(jìn)行初步訓(xùn)練，用得到的權(quán)值、閾值組成染色體個(gè)體，重復(fù)N次得到N組染色體的個(gè)體并組成種群。

4.如權(quán)利要求1或2所述的基于采用多父代遺傳算法的人工神經(jīng)網(wǎng)絡(luò)的噴射器性能預(yù)測方法，其特征在于：所述步驟四中，以每組染色體所構(gòu)造的神經(jīng)網(wǎng)絡(luò)預(yù)測的結(jié)果為依據(jù)，計(jì)算并記錄所對應(yīng)的適應(yīng)度值，預(yù)測結(jié)果越精確其對應(yīng)的適應(yīng)度值越小，適應(yīng)度計(jì)算公式如下：

式中，F(xiàn)為適應(yīng)度值，k為神經(jīng)網(wǎng)絡(luò)輸出節(jié)點(diǎn)數(shù)；y_i為BP神經(jīng)網(wǎng)絡(luò)第i個(gè)節(jié)點(diǎn)的期望輸出；o_i為第i個(gè)節(jié)點(diǎn)的預(yù)測輸出；C為系數(shù)。