[发明专利]基于模拟退火优化BP神经网络的pH值预测方法

权利要求书

1.一种基于模拟退火优化BP神经网络的pH值预测方法，其特征在于，包括以下步骤：

第一步，根据样本选取策略选取样本并输入；

第二步，根据BP定理，确定BP神经网络的结构；

第三步，根据网络训练策略，采用模拟退火算法优化BP网络权值参数，利用输入的样本对BP网络进行训练，确定BP网络的最优权值及最优隐层节点数；

第四步，根据训练好的BP神经网络，构建pH值的预测模型。

2.根据权利要求1所述的基于模拟退火优化BP神经网络的pH值预测方法，其特征是，所述的样本选取策略，具体是：

(1)剔除不合格的或无效的数据，比如超过样本量测范围的数据(即野值)，或者相同输入值对应于不同的输出值的样本等；

(2)由于BP网络是按照相似性进行联想的，对于与样本的相似度高的状态的预测准确度高，为此，在选择训练样本向量时，应包括三个输入颜色值的可能极值组合，即输入样本向量覆盖全部可能的测量范围；

(3)把选定的合格输入输出量测值整理成适合BP网络训练格式的样本向量，对输入数据进行归一化处理以适应输入层神经元非线性函数的要求等。

3.根据权利要求1所述的基于模拟退火优化BP神经网络的pH值预测方法，其特征是，所述的BP神经网络的结构，具体是：

由BP定理知：给定任意ε＞0和任意L₂函数f：[0 1]ⁿ→R^m，存在一个三层BP网络，它可在任意ε平方误差精度内逼近f。BP神经网络的结构包括输入层、隐层和输出层三层，以此作为预测器。

4.根据权利要求1所述的基于模拟退火优化BP神经网络的pH值预测方法，其特征是，所述的网络训练策略，具体是：

训练策略分为训练和修正两个步骤。训练时又将样本数据集合随机地分为2部分：(1)训练集合，用于网络的训练；(2)测试集合，用于测试网络的预测效果。修正步骤是，改变网络结构，即增加或减少隐层节点的个数，然后再次进行训练，最后根据预测效果确定最优的隐层节点数目及网络结构。

5.根据权利要求1所述的基于模拟退火优化BP神经网络的pH值预测方法，其特征是，所述的模拟退火算法，具体是：

其中：f:ω→R⁺为优化函数，ω∈S是一个可行的解，表示ω的一个邻域，l为在温度T_k下的搜索时间步数，P(ω(l)是ω(l)接受ω′(l)作为下一个新解ω(l+1)的概率。根据该概率，采用轮盘赌法选择ω′(l)作为下一个新解ω(l+1)。当在温度T_k下经过多次转移后温度降低到T_k+1＜T_k时，在T_k+1下重复上述过程直至温度降到很低，则全局最优解将以概率1被找到。

6.根据权利要求1所述的基于模拟退火优化BP神经网络的pH值预测方法，其特征是，所述的pH值预测模型，具体是：

其中，y_i为网络输出的预测值，ω_j为隐层第j个神经元至输出层的连接权值，σ_j为隐层第j个神经元的输出，b为输出神经元的偏置。隐层节点采用Sigmoid函数作为转移函数，隐层节点σ_j的输出表达式为，

其中，ω_ij为输入层至隐层的连接权值，b_j为隐层第j个神经元的偏置。

7.根据权利要求6所述的基于模拟退火优化BP神经网络的pH值预测模型的权值ω_j，ω_ij的计算，其特征是，所述的BP神经网络的权值ω_j,ω_ij均通过基于SA优化的BP神经网络算法得到。