[发明专利]基于改进神经网络的多牌号C-Mn钢力学性能预测方法

权利要求书

1.一种基于改进神经网络的多牌号C-Mn钢力学性能预测方法，其特征在于，包括：

步骤1：采集多个牌号的C-Mn钢在热连轧生产过程中的生产数据；

步骤2：对采集到的生产数据进行数据处理；

步骤3：对于处理后的数据采用前向选择的相关性分析方法，筛选出与各力学性能相关性较高的前N个特征参数，将前N个特征参数对应的数据作为相应力学性能的样本集，所述力学性能包括屈服强度YS、抗拉强度TS和伸长率EL；

步骤4：将各力学性能的样本集划分为训练集和测试集，利用训练集对BRNN网络进行训练，训练过程中采用PSO算法对BRNN网络模型的权值和阈值进行优化，利用测试集对模型进行测试，得到每个力学性能对应的参数最优BRNN网络模型；

步骤5：利用参数最优BRNN网络模型对C-Mn钢的力学性能进行预测；

所述步骤2中数据处理包括：填充空缺值、层次聚类、异常值剔除、数据归一化处理以及数据均衡化处理；

所述步骤4包括：

步骤4.1：初始化PSO算法的参数；

步骤4.2：基于PSO算法利用训练集求解出最优权值和阈值，并赋值给BRNN网络模型，完成PSO优化过程；

所述步骤4.2包括：

步骤4.2.1：确定BRNN模型的网络结构，设置BRNN模型的隐藏层个数、隐藏层神经元个数以及超参数α与β；

步骤4.2.2：计算PSO算法中粒子维度p，根据BRNN模型的网络结构确定PSO算法中每个粒子的维度p，粒子维度p等于BRNN模型中所有权值和阈值数量的总和，即

p＝(d+l'+1)q+l'

式中，d为输入层神经元个数，q为隐藏层神经元个数，l'为输出层神经元个数；

步骤4.2.3：随机产生一个包含S'个粒子的初始种群；

步骤4.2.4：计算各粒子的适应度函数值F(J)，根据各粒子的适应度函数值，更新粒子个体最优位置p_b以及全局最优位置g_b；

式中，M_m'是第m’个样本的实测值；P_m'是第m’个样本经BRNN网络输出的预测值；M’为样本数；

步骤4.2.5：判断全局最优位置g_b的适应度函数值是否低于期望误差或者网络训练是否已经达到最大迭代次数，如果满足条件，则进行步骤4.2.6，否则更新各粒子的位置和速度，执行步骤4.2.4；

步骤4.2.6：将全局最优位置g_b进行解码，得到最优的权值和阈值，并赋值给BRNN模型；

步骤4.2.7：得到权值和阈值最优的BRNN模型后，利用测试集对模型进行测试，完成PSO优化过程。