[发明专利]基于萤火虫算法优化的RBF模型的产品质量预测方法和装置

权利要求书

1.一种基于萤火虫算法优化的RBF模型的产品质量预测方法，其特征在于，包括以下步骤：

获取待测产品质量数据，并载入预先构建并训练好的产品质量预测模型中，获取产品合格与不合格的预测结果；所述产品质量预测模型采用带有高斯核函数的RBF网络作为基本架构；

所述产品质量预测模型的训练过程包括以下步骤：

A1：获取产品质量数据集，并对产品质量数据集进行预处理；

A2：运用自编码器对预处理后的产品质量数据集进行编码，得到重构特征；

A3：初始化RBF网络，将所述重构特征依次输入产品质量预测模型中，每次输入过程中，产品质量预测模型输出预测结果，得到模型损失函数值，根据模型该损失函数值，采用模糊聚类FCM机制对所述RBF网络中的神经元个数进行寻优，采用基于Levy机制的Firefly群优化算法更新所述模糊聚类FCM机制的聚类中心和目标函数值；

A4：重复步骤A3，直至达到预设的训练停止条件，获取训练后的产品质量预测模型。

2.根据权利要求1所述的一种基于萤火虫算法优化的RBF模型的产品质量预测方法，其特征在于，所述初始化RBF网络包括初始化RBF网络的神经元中心、神经元基宽、神经元个数和连接权重；

所述采用模糊聚类FCM机制对所述RBF网络中的神经元个数进行寻优具体为：采用模糊聚类FCM机制迭代寻优聚类中心和聚类个数，从而确定RBF网络的神经元中心、神经元基宽、神经元个数和连接权重。

3.根据权利要求1所述的一种基于萤火虫算法优化的RBF模型的产品质量预测方法，其特征在于，所述采用基于Levy机制的Firefly群优化算法更新所述模糊聚类FCM机制的聚类中心和目标函数具体包括以下步骤：

A301：初始化所述模糊聚类FCM机制的基本参数；

A302：计算每个萤火虫的亮度；

A303：根据萤火虫的亮度排序，更新萤火虫的位置；

A304：选取最亮的萤火虫作为中心，计算模糊聚类FCM机制的目标函数值；

A305：计算隶属度函数；

A306：根据所述隶属度函数更新模糊聚类FCM机制的聚类中心；

A307：重复执行步骤A302至A306，直至到达预设的萤火虫算法停止条件，得到更新后的模糊聚类FCM机制的聚类中心和隶属度矩阵。

4.根据权利要求3所述的一种基于萤火虫算法优化的RBF模型的产品质量预测方法，其特征在于，所述萤火虫的亮度的计算表达式为：

式中，I_i为第i个萤火虫的亮度，x_i为第i个萤火虫的位置，J(x_i)为第i个萤火虫的目标函数，n为萤火虫的总数；

所述萤火虫的位置的更新表达式为：

式中，为第i个萤火虫在t+1时刻的位置，β₀为零距离时的吸引力，为第i个萤火虫和第j个萤火虫的相对吸引力，为第i个萤火虫在t时刻的位置，为扰动项以增强全局搜索能力，α是比例因子，为随机数向量；

所述模糊聚类FCM机制的目标函数值的计算表达式为：

式中，m为控制模糊矩阵分类程度的模糊加权指标，J_m为在模糊加权指标m下模糊聚类FCM机制的目标函数值，U＝[u_ij]_c×n是隶属度矩阵，u_ij∈[0,1]表示第j个目标属于第i个簇的隶属度，||x_i-v_j||²为第j个目标与第i个簇中心的欧氏距离。

5.根据权利要求4所述的一种基于萤火虫算法优化的RBF模型的产品质量预测方法，其特征在于，所述隶属度函数的计算表达式为：

所述聚类中心的更新表达式为：

6.根据权利要求5所述的一种基于萤火虫算法优化的RBF模型的产品质量预测方法，其特征在于，所述萤火虫算法停止条件为更新后的模糊聚类FCM机制的聚类中心与原聚类中心的距离小于预设的距离阈值，或者满足预设的萤火虫算法最大迭代次数。