[發明專利]一種BP神經網絡回歸模型的訓練測試方法及其應用系統

有效

• 申請號: 201710749951.2
• 申請日: 2017-08-28
• 公開（公告）號: CN107633301B
• 公開（公告）日: 2018-10-19
• 發明（設計）人: 陳達權;黃運保;李海艷
• 申請（專利權）人: 廣東工業大學
• 主分類號: G06N3/08
• 分類號: G06N3/08;G06K9/62
• 代理公司: 佛山市禾才知識產權代理有限公司 44379
• 代理人: 史亮亮

一種BP神經網絡回歸模型的訓練測試方法，用于橡木激光切割系統切口寬度預測，主要包括如下步驟：a、獲取數據，得到N個實驗樣本的數據集，其中一共包含M組實驗數據；b、數據預處理；c、數據分組；d、尋優BP神經網絡超參數并初始化；e、BP神經網絡第一次訓練；f、BP神經網絡第二次訓練；g、BP神經網絡訓練完成，預測橡木激光切割系統不同參數下的切口寬度。本發明的目的在于提出一種BP神經網絡回歸模型的訓練測試方法，該方法在訓練集數據過于集中或過少的情況下，提高BP神經網絡訓練的效果。

技術領域

本發明涉及產品加工制造領域，尤其是涉及一種BP神經網絡回歸模型的訓練測試方法及其應用系統。

背景技術

回歸分析是通過規定因變量和自變量來確定變量之間的因果關系，建立回歸模型，并根據實測數據來求解模型的各個參數，然后評價回歸模型是否能夠很好的擬合實測數據；如果能夠很好的擬合，則可以根據自變量作進一步預測。

產品加工制造領域中一般使用實驗公式或經驗公式來粗劣估算生產加工中需要用到的關鍵參數，而這些實驗公式或經驗公式一般是利用回歸分析確定因變量與自變量之間的關系。這些實驗公式或經驗公式一般都有比較嚴格的適用范圍，當實驗條件改變后，公式的正確性將受到影響。隨著數值分析與統計學的逐漸相互滲透，人們已經意識到某些曾一度認為相當可靠的計算方法在實施中有很大困難，其精確的數學模型難以建立，因此建立一套精確而有效的計算機回歸程序已成為當前研究中的一個重要課題。

社會的需求推動著預測理論和方法的不斷發展，迄今為止，已經有近200種的預測方法。盡管各種方法各不相同，但是具體進行預測的過程中都遵循著可能性原理、可知性原理、可控性原理、連續性原理、反饋性原理、系統性原理等哲學高度上的一般原理。

神經網絡是一種大規模并行復雜的非線性動力系統，它可表示極其復雜的非線性模型系統，具有高度并行的處理機制、高速運算的能力、高度靈活可變的拓撲結構、高度的非線性運算，具有自學習、自組織的能力，得到了預測科學研究的重視。

在神經網絡訓練中需要用到訓練集以及測試集，在訓練集上訓練神經網絡模型，即得到神經網絡較好的權值和閾值找到能有效逼近該訓練集的函數，模型訓練好后再利用測試集驗證該神經網絡模型的泛化能力，即該神經網絡對于訓練集以外的數據進行預測的準確率。然而，在訓練集數據過于集中或過少的情況下，神經網絡模型的訓練效果往往不好，即泛化能力不足，因此，針對該種訓練集情況下最大限度提高神經網絡的訓練效果具有重要的現實意義。

發明內容

鑒于現有社會需求背景和技術現狀，本發明的目的在于提出一種BP神經網絡回歸模型的訓練測試方法，該方法在訓練集數據過于集中或過少的情況下，訓練完成的BP神經網絡也有較好的訓練效果。

為達此目的，本發明采用一下技術方案：