[发明专利]一种基于海洋用钢成分腐蚀量的预测方法

权利要求书

1.一种基于海洋用钢成分腐蚀量的预测方法，其特征在于：它包括以下步骤：

步骤一：数据初始化及录入

将一种成分在某时间长度下的腐蚀量，即失重/增重/减薄/腐蚀深度或者对应统计量，和对应的时间成分定义为一组数据，在获取目标环境下钢铁材料腐蚀的数据后，根据不同组数据的详实程度对不同影响因素进行取舍，使得最终所有组内数据的对应数据齐全，不同成分材料试验时间长度一致，并将所有数据整理为构建神经网络的软件易于读取的形式.mat，将数据输入Matlab软件，输入层节点即合金元素质量分数以及时间，输出层节点对应数据中的腐蚀指标；

步骤二：神经网络结构优化

利用蚁群算法将神经网络隐含层各层节点数作为路径加以优化，设定经由不同隐含层节点获得神经网络的误差倒数为增加的信息素，进而更新信息素直至收敛于最优的隐含层结构；

对蚁群进行初始化，设定蚁群种群大小以及最大迭代次数，设定隐含层最大节点数，并以节点数作为蚁群路径，设定并初始化每个节点的信息素浓度，以及信息素的挥发率，每次迭代开始，每只蚂蚁均根据信息素浓度采用转轮赌法确定各隐含层节点数，计算对应神经网络的预测值和实测值之间的平均标准差MeanStandardError,MSE，迭代结束后按照平均标准差的倒数从大到小对所有蚂蚁排序，利用前k只蚂蚁的平均标准差倒数对自己选择节点的信息素τ进行更新，所有节点信息素同时挥发，信息素挥发率为ρ，再进行下一次迭代；

重复迭代过程，直至各层节点数都稳定收敛于某值，实际应用中，隐含层至多2层，只需比较优化过后2层隐含层结构和1层隐含层结构的误差，择优确定为最终的隐含层结构；

步骤三：神经网络权值和阈值的初值优化

利用人工鱼群算法优化权值阈值的初值，人工鱼群算法赋予人工鱼以觅食、聚群、追尾、回忆行为模式来搜索视野内的更优位置，并移动，另设置密集度参数防止鱼的局部密集，将神经网络权值和阈值的初值作为位置送入鱼群算法进行优化，通过鱼群网络的觅食、聚群、追尾和回忆行为使位置即权值和阈值不断更新，直至找到满足要求的神经网络初值；

步骤四：神经网络预测及误差分析

输出神经网络的预测与实测值对比，分析误差，将待预测成分带入神经网络即可获得该成分在连续时间下的腐蚀量与时间的关系；

所述步骤二中信息素更新表达式为：

式中：k为参与更新信息素的蚂蚁只数，i为蚂蚁只数、τ为信息素、ρ为信息素挥发率。

2.根据权利要求1所述的基于海洋用钢成分腐蚀量的预测方法，其特征在于：步骤三中更新聚群、追尾、回忆三种行为模式按照下式：其中τ为信息素，ρ为信息素挥发率，MSE代表优化后预测值与实际值之间的平均标准差；

当前执行行为未获得优化时:

当前执行行为获得优化时:

3.根据权利要求1所述的基于海洋用钢成分腐蚀量的预测方法，其特征在于：所述步骤三中人工鱼群算法中的四种行为模式如下：

觅食行为：一种在大范围内寻觅食物或者伙伴的基本行为，人工鱼可以在视野范围内寻找任意点，设视野内人工鱼的数目为n_f，若Y_visual/n_f>δY_i且Y_visual>Y_i，可向寻找的该任意点位置移动，该行为以如下算式表述：

聚群行为：设X_c为鱼群的中心位置，若Y_c/n_f>δY_i且Y_c>Y_i，则当前人工鱼向鱼群中心移动一步，该行为以如下算式表述：

X_next＝X_i+V_i

追尾行为：设X_max为视野内人工鱼的最优状态，若Y_max/n_f>δY_i且Y_max>Y_i，则向最优鱼移动一步，该行为以如下算式表述：

回忆行为：设为鱼群中人工鱼的某一历史最优状态，且视野内人工鱼的数目为n_f，若Y_max/n_f>δY_i且Y_max>Y_i，则向历史最优状态移动一步，按照人工鱼的历史最优状态的适应度函数大小作为概率进行回忆选取，该行为以算式表述如下：