[發明專利]基于MIV-GP算法優化BP神經網絡的概率積分參數預測方法

有效

• 申請號: 201910625366.0
• 申請日: 2019-07-11
• 公開（公告）號: CN110363344B
• 公開（公告）日: 2022-07-12
• 發明（設計）人: 池深深;余學祥;王磊;呂偉才
• 申請（專利權）人: 安徽理工大學
• 主分類號: G06Q10/04
• 分類號: G06Q10/04;G06Q50/02;G06N3/00;G06N3/04
• 代理公司: 合肥中谷知識產權代理事務所(普通合伙) 34146
• 代理人: 洪玲

1.基于MIV-GP算法優化BP神經網絡的概率積分參數預測方法，該方法應用于對地質采礦條件進行篩選分析，其特征在于，所述方法包括如下步驟:

步驟S1、基于MIV算法對BP神經網絡的輸入變量進行篩選，對影響概率積分法參數的因子進行排序，剔除排序靠后的影響因子；

步驟S2、采用G-P算法優化BP神經網絡的權值和閾值，從而建立MIV-GP-BP神經網絡預測模型，實現概率積分參數預測；具體為：

步驟S201、初始化BP神經網絡的拓撲結構,設定所述BP神經網絡的輸入層、隱含層、輸出層節點的個數；

步驟S202、初始化種群，將需要待優化的權值和閾值信息根據預設編碼規則進行編碼；并按照設定的種群規模和初始化方法初始化種群；

步驟S203、將初始化后的種群按照GP算法規則進行迭代運算，直至算法滿足結束條件時，最終得到全局最優個體，解碼得到權值和閾值信息；

步驟S204、將解碼得到的權值和閾值信息帶入到BP神經網絡中，得到網絡的初始權值和閾值；

步驟S205、對神經網絡進行反復學習訓練，直至滿足結束條件，最終得到優化后的BP神經網絡的輸出；

其中步驟S203中的GP算法規則具體如下：

步驟S301、GP算法中相關參數的設定，粒子的個數N,經過進化后的粒子個數M,變異概率P_m,交叉概率P_c,粒子群算法中粒子的最大速度V,慣性常數ω,學習因子c₁,c₂和迭代次數epoch,求解精度E；

步驟S302、種群的初始化，設置種群的規模N和粒子的維度n，采用實數隨機編碼，對粒子的速度和位置進行編碼，利用適應度函數計算粒子群個體適應度值，更新粒子的個體極值和全局極值；

步驟S303、粒子群的迭代，更新粒子的速度和位置信息，并利用適應度函數計算每個粒子的適應度值，更新個體極值和種群的全局極值；

步驟S304、將N個粒子按照適應度函數值的大小排序，選取其中適應度值較小的N/3個粒子，由保留的N/3個粒子的位置值選擇復制生成2N/3個GA個體；

步驟S305、對GA個體進行交叉和變異；

步驟S306、將GA算法生成的2N/3個個體與N/3個粒子合并組成新的N個粒子，再計算粒子群的適應度，并更新個體極值和全局極值；

步驟S307、算法結束的判斷，判斷粒子進化的迭代次數是否滿足設定的最大進化代數，若是則算法結束，輸出粒子群的全局極值，即最優解；

GP算法規則中所述適應度函數為：

其中,l為BP神經網絡的輸出層個數，y_k表示第k個節點的期望輸出值。

2.根據權利要求1所述的基于MIV-GP算法優化BP神經網絡的概率積分參數預測方法，其特征在于，所述步驟S1之前還包括構建BP神經網絡。

3.根據權利要求2所述的基于MIV-GP算法優化BP神經網絡的概率積分參數預測方法，其特征在于，所述步驟S1具體包括，

步驟S101、在所述BP神經網絡訓練終止之后，將訓練單一自變量樣本在原值的基礎上增加和減少一定的比例，形成兩組新的樣本P₁、P₂；

步驟S102、利用訓練好的樣本P₁、P₂,得到各自的預測輸出數據T₁、T₂；

步驟S103、求兩組預測輸出數據T₁、T₂之間的差值，得到變動該自變量對輸出產生的影響變化值IV；

步驟S104、剔除每組樣本值中的異常值，將獲取的樣本值的IV按照觀測樣本數取平均，得到該自變量對因變量網絡輸出的MIV值。

4.根據權利要求3所述的基于MIV-GP算法優化BP神經網絡的概率積分參數預測方法，其特征在于，所述比例為10%。