[发明专利]基于TentFWA-GD的RBF神经网络软测量建模方法及其应用在审
申请号: | 202110179496.3 | 申请日: | 2021-02-09 |
公开(公告)号: | CN112765902A | 公开(公告)日: | 2021-05-07 |
发明(设计)人: | 龙昌美;陈如清;朱荷蕾;蒋治国;崔昂龙;李佩娇 | 申请(专利权)人: | 嘉兴学院 |
主分类号: | G06F30/27 | 分类号: | G06F30/27;G06F30/25;G01N33/18;G06N3/04;G06N3/08;G06N3/12;G06F111/06;G06F111/08;G06F119/08 |
代理公司: | 嘉兴海创专利代理事务所(普通合伙) 33251 | 代理人: | 郑蓓环 |
地址: | 314001 浙江省嘉兴市*** | 国省代码: | 浙江;33 |
权利要求书: | 查看更多 | 说明书: | 查看更多 |
摘要: | |||
搜索关键词: | 基于 tentfwa gd rbf 神经网络 测量 建模 方法 及其 应用 | ||
1.基于TentFWA-GD的RBF神经网络软测量建模方法,其特征在于将Tent混沌映射、FWA算法和GD迭代方法有机融合提出一种TentFWA-GD混合算法,用于训练RBF神经网络,以获取最优的RBF神经网络参数值c、δ和ω;其中,c为隐含层RBF激活函数的中心矢量,δ为隐含层RBF激活函数的基宽向量,ω为隐含层至输出层的连接权值;Tent混沌映射即为Tent映射或Tentmap,FWA即为烟花算法,GD迭代方法即为Gradient Descent;采用适应度方差法进行FWA算法的早熟收敛分析,为避免FWA算法出现早熟收敛,引入Tent混沌映射对FWA算法进行改进,利用Tent混沌映射的全局遍历性维持FWA的种群多样性,引导FWA种群逃离局部最优区而继续全局搜索;
所述的采用适应度方差法进行FWA算法的早熟收敛分析,在FWA算法迭代过程中分析烟花成员适应度值的整体变化情况,作为FWA种群陷入局部最优的判断依据;设N为烟花群体规模,f(xi)和favg分别为第i个成员的适应度值及当前群体的平均适应度值,当前群体适应度值方差σ2可定义为:
当前群体适应度值方差σ2反映了烟花群体中烟花成员的聚集程度,数值越小表示烟花成员在解空间的分布越集中,可作为FWA种群多样性的衡量指标;FWA算法搜索过程中,各烟花成员的适应度值随着迭代次数的增加而逐步接近,σ2的数值也随之减小;当σ2小于阈值H且全局最优解未满足算法终止条件,则判断FWA算法早熟收敛。
2.根据权利要求1所述的基于TentFWA-GD的RBF神经网络软测量建模方法,其特征在于所述的TentFWA-GD混合算法来训练RBF神经网络,训练过程采用全局粗略搜索与局部精细探索相结合的寻优机制;第一阶段由FWA算法进行搜索并采用适应度方差法判断是否陷入局部最优;第二阶段当FWA算法陷入局部最优解时,一方面利用Tent混沌映射引导烟花群体逃离局部最优区而继续全局搜索;另一方面结合GD迭代方法训练RBF神经网络,加强烟花种群的局部探索能力并提高群体最优解的精度;
基于TentFWA-GD混合算法对RBF神经网络的训练过程的具体流程如下:
1)根据预设参数在解空间进行烟花种群的随机初始化;其中烟花成员的维数为RBF神经网络待优化参数c、δ和ω的维数之和,适应度函数为神经网络的均方误差;
2)基于FWA算法优化RBF神经网络的参数,包括:计算烟花种群各成员的信息、群体最优成员的信息及群体适应度值方差σ2;判断FWA是否陷入局部极值,σ2≤H则进入步骤3),否则返回步骤2);其中,烟花种群各成员的信息包括位置和适应度值;群体最优成员的信息包括群体最优位置和适应度值;
3)采用GD迭代方法进一步优化RBF神经网络的参数,包括:以当前群体最优烟花成员的位置作为当前RBF网络的初始参数值,调用GD迭代方法调整网络参数;对于每个烟花成员,按照概率Pm在混沌搜索空间进行Tent混沌映射,计算烟花种群各成员的信息、群体最优成员的信息及群体适应度值方差;
4)训练过程达到最大迭代次数或群体最优适应度值满足精度要求时算法停止搜索,否则转步骤2)继续迭代。
该专利技术资料仅供研究查看技术是否侵权等信息,商用须获得专利权人授权。该专利全部权利属于嘉兴学院,未经嘉兴学院许可,擅自商用是侵权行为。如果您想购买此专利、获得商业授权和技术合作,请联系【客服】
本文链接:http://www.vipzhuanli.com/pat/books/202110179496.3/1.html,转载请声明来源钻瓜专利网。