[发明专利]基于BP神经网络的疏浚工艺调控参量筛选方法

说明书

技术领域

本发明涉及BP神经网络在疏浚工艺参量分析中的应用，尤其涉及一种 基于BP神经网络的疏浚工艺调控参量筛选方法，属于疏浚工程领域。

背景技术

疏浚作为水下作业，工艺调控参量众多，而且目前国内疏浚自动化程 度不高，仍以人工操作为主。即使经验丰富的操作人员，由于影响泥浆流 动状态的因素错综复杂，诸如泥浆浓度、泥浆流速、泥沙粒径、不同泥沙 的沉降速度和管道性能等，且各因素间相互影响导致定性测试相对困难。 致使疏浚生产一直处于低产低效且高能耗高排放状态。减少影响疏浚施工 的调控参量，可以降低操作的复杂程度，因此，提高疏浚自动化程度在今 天显得尤为迫切。

BP神经网络是1986年由以Rumelhart和McCelland为首的科学家小组 提出，是一种按误差逆传播算法训练的多层前馈网络，是目前应用最广泛 的神经网络模型之一。之后，Dombi等人提出利用平均影响值(MeanImpact Value，MIV)来反映神经网络中权重矩阵的变化情况。MIV算法是一种目 前在神经网络中评价变量相关性的最好指标之一，其符号代表相关方向， 绝对值大小代表影响的相对重要性。先利用训练样本P构建并训练BP神经 网络，在BP神经网络训练终止后，将训练样本P中每一自变量特征在其原 值的基础上分别加、减10％(或自定义变化值)，得到两个样本P1，P2， 将P1、P2带入BP神经网络得到两个仿真结果A1和A2，求出A1和A2 的差值，即得出该自变量对于应变量(网络输出)的MIV值，按照以上步 骤依次算出各个自变量的MIV值，再根据MIV绝对值的大小为各自变量排 序，得到各自变量对网络输出影响相对重要性的位次表，采用逐步剔除法 实现变量的筛选。

MIV特征筛选和BP神经网络为我们解决疏浚施工问题提供了一种新 的思路。

发明内容

为了克服现有技术的不足，本发明提供一种基于BP神经网络的疏浚工 艺调控参量筛选方法，解决了现有技术中因疏浚工艺调控参量太多导致操 作复杂的技术问题。

本发明解决其技术问题所采用的技术方案是：一种基于BP神经网络的 疏浚工艺调控参量筛选方法，包括以下步骤：

步骤一，分析并选取影响疏浚工艺的参量；

步骤二，建立参量输入矩阵和输出矩阵，得到训练样本，并对其进行 标准化；

步骤三，构建BP神经网络模型，用标准化后的训练样本对其进行训练；

步骤四，利用MIV算法，计算各参量的MIV值；

步骤五，根据MIV值筛选出调控参量。

进一步的，所述步骤一中，影响疏浚工艺的参量包括绞刀转速、1#泵 轴转速、2#泵轴转速、水下泵转速、台车行程、横移速度、管路平均浓度、 管路流速、出口流速、绞刀厚度和绞刀前进距离。

进一步的，所述步骤二中，所选取的参量数据矩阵A作为输入向量， 产量矩阵F作为输出，得到训练样本P，根据零均值规范化法对矩阵进行标 准化，方法如下：

v′i=vi-A‾σA]]>

其中，和σ_A分别为矩阵A的均值和标准差。

进一步的，所述步骤三中，BP神经网络的训练参数包括，显示步数 (show)为50，学习步长(lr)为0.05，动量因子(mc)为0.9，迭代次数 (epochs)为6000。