[发明专利]一种SA优化深度置信网络的含能材料成球质量优化方法

权利要求书

1.一种SA优化深度置信网络的含能材料成球质量优化方法，其特征在于，包括：

步骤S100：对原始温度信号进行数据预处理，提取特征参数组成低维特征集ML；

步骤S200：采用低维特征集M_L中的部分数据N_L搭建初始DBN网络模型结构；

步骤S300：采用模拟退火算法优化初始DBN网络模型结构，以成球预测值与真实值的差距为优化目标进行训练，得到深度置信网络结构；

步骤S400：采用低维特征集M_L中的剩余数据P_L测试深度置信网络性能；

步骤S500：将当前生成需要达到的成球质量参数输入到深度置信网络，深度置信网络输出工艺控制参数，根据模型输出的工艺控制参数控制生产设备，得到目标成球质量。

2.根据权利要求1所述的一种SA优化深度置信网络的含能材料成球质量优化方法，其特征在于，所述初始DBN网络模型结构通过逐层堆叠RBM来构建，第1层为输入层V，第2层为隐藏层H₁，第2层为隐藏层H₂，...，第m+1层为隐藏层H_m；第1层和第2层构成RBM₁，第2层和第3层构成RBM₂；…，第m层和第m+1层构成RBM_m；每个RBM包括一个隐藏层和一个输入层每层均由二进制随机单元组成，且单元只与不同层的单元相连接而不与同层内单元相连接；隐藏层的单元为隐藏节点，可视层的单元为可见节点。

3.根据权利要求2所述的一种SA优化深度置信网络的含能材料成球质量优化方法，其特征在于，所述步骤S300具体包括：

步骤S310：设置模拟退火算法的初始化条件：初始温度T₀、终止温度T₁、退火率α以及每个温度值T的迭代次数N；

步骤S320：设置解的初始值：设置第1层隐藏层初始节点数C₁、第2层隐藏层初始节点数C₂、第3层隐藏层初始节点数C₃，…，第m层隐藏层节点数C_m以及对应的函数值Y₀，Y₀为训练误差，由当前网络参数形成的网络输出；

步骤S330：以高斯噪音对解进行扰动，高斯随机扰动值的范围为R，设置高斯随机扰动值的范围R的放大倍数G，得到节点数C₁、C₂、C₃、……C_m的取值范围，扰动产生新解C_i’＝Ci+G*R，i＝1,2,3,…,m；

步骤S340：计算新解的函数值Y，并按照Metropolis准则，接受新解取代旧解，否则保持，更新温度为当前温度乘以退火率α；

步骤S350：当T_i＝T₁，或者达到自设的终止条件，求解完成，计算结束，进入下一步；否则，继续执行步骤S330-步骤S350；

步骤S360：此时的C₁、C₂与C₃的参数值为最终解，其对应的函数值Y最小即训练误差最小，得到最优的DBN网络模型结构即深度置信网络结构。

4.根据权利要求1所述的一种SA优化深度置信网络的含能材料成球质量优化方法，其特征在于，所述步骤S100具体为：对含能材料生产过程中的温度曲线预处理，得到特征参数，特征参数组成低维特征集M_L，所述特征参数包括成球阶段各环节的温度参数和时间参数。