[發明專利]一種優化神經網絡的風機噪音預測方法

有效

• 申請號: 201810201400.7
• 申請日: 2018-03-12
• 公開（公告）號: CN108428012B
• 公開（公告）日: 2022-03-01
• 發明（設計）人: 劉夢安;楊奇;陽吉初;翟方志;侯志泉;屈小章
• 申請（專利權）人: 株洲聯誠集團控股股份有限公司
• 主分類號: G06Q10/04
• 分類號: G06Q10/04;G06N3/02
• 代理公司: 長沙七源專利代理事務所(普通合伙) 43214
• 代理人: 鄭雋;吳婷

本發明提供了一種優化神經網絡的風機噪音預測方法，本發明主要通過對輸入神經元數目和隱藏層神經元數目的聯合控制提高風機噪音預測精度和神經網絡的泛化能力。本發明基于相關性分析將風機樣本中的輸入參數對輸出參數影響的重要性進行排序，根據訓練精度和預測精度確定輸入層神經元數目范圍與最佳輸入層神經元數目。利用相關性分析有效減少輸入神經元數目，降低了最優神經網絡結構的構建難度。本發明利用最佳隱藏層神經元數目來確定最優神經網絡結構，有效避免了過擬合和欠擬合，提高訓練精度的同時也改善了預測精度和泛化能力。

技術領域

本發明涉及噪音預測領域，特別地，涉及一種優化神經網絡的風機噪音預測方法。

背景技術

風機的種類眾多，應用場合廣泛。不同種類的風機、不同應用場合的風機、作用不同的風機，對容許噪音的要求有所差異，可從十多分貝到近百分貝不等。風機噪音的來源很多，比如：葉片回轉、葉片渦流、亂流、與風管外殼產生共振，這些都屬于風機的固定噪音，除此之外還有外在裝配、維護等引發的異常噪音等。通常特定場合對風機噪音的容許度均有一定的標準，故對風機噪音進行準確預測顯得尤為重要。

神經網絡是一種應用類似于大腦神經突觸聯接的結構進行信息處理的數學模型，其模仿動物神經網絡行為特征，進行分布式并行信息處理，依靠系統的復雜程度，通過調整內部大量節點之間相互連接的關系，從而達到處理信息的目的。近年來神經網絡被廣泛應用于模式識別、信號處理、知識工程、專家系統、優化組合和機器人控制等領域，特別是預測控制方面的應用越來越多，因此，將神經網絡應用于風機噪音預測不失為一種很好的選擇，精確的預測可以大大節約設計成本，縮短產品設計周期，有效避免制造浪費。

現有的神經網絡方法具體如下：

(1)樣本分類：將所有的樣本分為訓練樣本和測試樣本；

(2)輸入輸出參數確定：將所有的已知參數列出，確定輸入和輸出變量；

(3)神經網絡隱藏層結構確定：輸出參數個數確定，根據輸入神經元數目和輸出參數確定隱含層神經元的數目；

(4)用訓練樣本和確定的參數來訓練神經網絡；

(5)用測試樣本來測試神經網絡的預測精度和泛化能力。

在步驟(2)中，關于輸入輸出參數確定，其中輸出參數就是需要預測的目標參數，關于輸入神經元數目的確定，有文獻報道，輸入神經元數目太少則會引起神經網絡訓練的欠擬合(神經網絡模型擬合不夠，在訓練集上表現效果差)，而輸入參數過多一方面會加大訓練的難度和訓練神經網絡所需要的時間，另一方面會導致訓練過擬合(訓練精度高，但測試精度相對差)，而得不到合理的神經網絡預測模型。到底是幾個輸入神經元數目才合適并沒有現成的規律和公式。

在步驟(3)中，關于神經網絡隱藏層結構的確定，其中最重要的一個影響神經網絡的訓練精度和預測精度的因素就是隱藏層神經元數目。對于已經確定輸入神經元數目，隱藏層神經元數目少則訓練精度低，會出現欠擬合，隱藏層神經元數目多則訓練精度高、訓練時間長，并且會出現過擬合，影響預測精度。關于隱藏層神經元數目的確定，文獻中基本是基于4個經驗公式。而這4個公式所確定的隱藏層數目卻各不相同。

根據相關文獻有下面幾種隱藏層神經元m確定方法；方法1：其中α是1到10的常數；方法2：方法3：方法4：m＝0.75n。

發明內容

本發明目的在于提供一種優化神經網絡的風機噪音預測方法，確定最佳輸入層和隱藏層神經元，以提高神經網絡的訓練精度和泛化能力，提高對風機噪音的預測精度。

為實現上述目的，本發明提供了一種優化神經網絡的風機噪音預測方法，包括步驟：

S1.采集風機性能參數和幾何參數；

S2.分析風機性能參數現狀；