[发明专利]基于蒙特卡洛方法的神经网络钢水温度预报方法

权利要求书

1.基于蒙特卡洛方法的神经网络钢水温度预报方法，其特征在于，包括如下步骤：

S1：建立基于BP神经网络的分析模型；

S2：采用蒙特卡洛方法确定分析模型中反馈值在第一预设范围内的分析网络结构；

S3：通过遗传算法优化分析网络结构的权值和阀值以获取第一预设权值和第一预设阀值；

步骤S2中包括如下步骤：

S21：在分析模型中定义搜索样本空间；

S22：通过基于蒙特卡洛方法的搜索策略获取多个第一预设网络结构；

S23：通过对第一预设网络结构进行评估并获取反馈值，如果反馈值在第一预设范围内则将第一预设网络结构作为分析网络结构，如果反馈值不在第一预设范围内则执行步骤S21；

步骤S3中具体包括：

S31：确定分析网络结构的拓扑结构并初始拓扑结构的权值和阀值长度及范围以获取初始值；

S32：通过遗传算法对分析网络进行编码以确定遗传算法种群规模并初始化种群；

S33：通过BP网络训练种群得到第一适应度值；

S34：通过遗传算法对种群依次进行选择、交叉、变异操作；

S35：计算种群的第二适应度值，如果第二适应度值不在第二预设范围内执行步骤S34，如果第二适应度值在第二预设范围内则获取分析网络结构的第一实际权值和第一实际阀值；

S36 ：分别计算第一实际权值和第二预设权值的第一误差、第一实际阀值和第二预设阀值之间的第二误差；

S37：在获取后续的第二实际权值和第二预设权值的第三误差、第二实际阀值和第二预设阀值之间的第四误差后将第一误差和第三误差、第二误差和第四误差进行比较，选择第一误差和第三误差中较小值对应的权值作为目标权值、第二误差和第四误差中较小值对应的阀值作为目标阀值以更新权值和阀值；

S38：如果目标权值和第二预设权值的差值在第三预设范围内、目标阀值和第二预设阀值的差值在第四预设范围内时则保存网络结果并输出，如果目标权值和第二预设权值的差值不在第三预设范围内或者目标阀值和第二预设阀值的差值不在第四预设范围内则执行S36。

2.如权利要求1所述的基于蒙特卡洛方法的神经网络钢水温度预报方法，其特征在于：所述分析模型的输入量包括钢包初始温度、钢水重量、钢包处理时间、钢水氧含量、渣厚、罐况、电耗、冶炼过程中的吹氩量、加入合金量和废钢加入量。

3.如权利要求1所述的基于蒙特卡洛方法的神经网络钢水温度预报方法，其特征在于，步骤S21中定义搜索样本空间如下：所述第一预设网络结构的输入层神经元个数为10，所述第一预设网络结构的输出层神经元个数为1，所述第一预设网络结构的隐藏层个数为1，所述第一预设网络结构的隐藏层神经元个数为1~50，所述第一预设网络结构的激活函数为logsig函数、tansig函数、relu函数、purelin函数、hardlim函数中的一种，所述第一预设网络结构的训练函数为traimlm函数、trainbr函数、trainrp函数、trainscg函数中的一种。

4.如权利要求3所述的基于蒙特卡洛方法的神经网络钢水温度预报方法，其特征在于，步骤S22中所述搜索策略包括：每次随机生成三个网络结构并获取三个网络结构中的最优网络结构，然后将剩下的两个中的一个在保持当前最优网络结构的隐藏层神经元个数不变的情况下对各层网络的激活函数和训练函数随机生成，另一个在保证与当前最优网络结构中激活函数和训练函数相同的情况下对于隐藏层神经元个数的随机生成，所述最优网络结构的反馈值和预设范围之间差值为三个网络结构中的最小差值。

5.如权利要求4所述的基于蒙特卡洛方法的神经网络钢水温度预报方法，其特征在于：步骤S23中以实际输出与期望输出之间的均方根（RMSE）误差值为评估函数，，表示输出的实际值，表示输出的期望，表示输出的个数。

6.如权利要求1所述的基于蒙特卡洛方法的神经网络钢水温度预报方法，其特征在于：步骤S3中将种群大小初始化为20，最大进化代数设置为100，遗传算法以这20个个体作为初始点进行迭代。