[发明专利]一种融合专家经验的高维小数据的代理模型构建方法

摘要

本发明公开了一种融合专家经验的高维小数据的代理模型构建方法。使用本发明能够得到在高维小数据情况下的高精度代理模型。本发明利用神经网络反映设计模型中设计变量与设计目标之间的函数关系，并利用遗传算法对神经网络的权值进行训练，并在训练过程中，融入专家对于设计变量和设计目标间的对应关系式的经验认识，补充缺失的映射规律，从而成功克服了高维小数据条件下代理模型精度不高的问题。本发明没有增加样本量，不会带来数据噪音。

主权项

1.一种融合专家经验的高维小数据的代理模型构建方法，其特征在于，包括如下步骤：步骤1，咨询汇总专家对于设计变量和设计目标间的对应关系的专家经验；步骤2，构建神经网络，其中，神经网络的输入为设计变量，输出为设计目标；步骤3，采用遗传算法对步骤2构建的神经网络的权值进行训练，并以专家经验和拟合精度作为约束条件，训练得到的最优神经网络即为所求代理模型；具体包括如下子步骤：步骤3.1，以神经网络为遗传算法中的种群个体，以神经网络的权值为个体基因，设定遗传算法种群大小，构建种群，设定交叉概率与变异概率；其中，初始种群中，各个体的初始权值为随机生成；步骤3.2，针对当前种群，以样本集中的输入参数为作为各个体的输入，得到各个体的输出值；计算各个体的专家经验通过率和拟合精度；所述专家经验通过率和拟合精度的计算方法如下：针对各个体，针对其每次输入，改变输入值大小，判断其输出量的变化是否满足对应的专家经验，统计该个体在所有输入样本下的满足专家经验的百分比，获得该个体的专家经验通过率；针对各个体，针对其的每次输入，计算其输出值与期望值之间的差值，统计该个体在所有输入样本下的输出值与期望值之间的差值，获得该个体的拟合精度；步骤3.3，判断是否达到迭代次数要求，或者当前种群满足如下条件：种群中各个体的专家经验通过率均为100％且拟合精度均达到设定要求，若满足，则从当前种群中挑选出专家经验通过率最高且拟合精度也最高的个体所对应的神经网络作为代理模型输出；若不满足，则执行步骤3.4；步骤3.4，以当前种群为父代种群，对父代种群实行遗传操作，得到子代种群；按照步骤3.2的方式，计算获得子代种群各个体的专家经验通过率和拟合精度；从父代种群和子代种群中挑选出专家经验通过率高的个体，组成新种群，其中，若专家经验通过率相同，则从中挑选出拟合精度高的个体，组成新种群；以新种群作为当前种群，执行步骤3.2～3.4，直到获得代理模型。