基于遺傳算法的BP神經(jīng)網(wǎng)絡(luò)對高爐爐溫的預(yù)測

摘 要：本文為基于遺傳算法優(yōu)化的BP神經(jīng)網(wǎng)絡(luò)對高爐爐溫的預(yù)測。從機(jī)理上求解冶煉過程的混合動(dòng)力學(xué)方程組最優(yōu)解是尚未解決的數(shù)學(xué)難題，BP神經(jīng)網(wǎng)絡(luò)能以任意精度逼近任意復(fù)雜度的連續(xù)函數(shù)，因此采用BP神經(jīng)網(wǎng)絡(luò)進(jìn)行爐溫預(yù)測。對于BP神經(jīng)網(wǎng)絡(luò)輸出的不確定性，本文采用遺傳算法對網(wǎng)絡(luò)層之間的權(quán)重及閾值進(jìn)行優(yōu)化，以穩(wěn)定網(wǎng)絡(luò)輸出。驗(yàn)證結(jié)果表明，該模型預(yù)測結(jié)果與真實(shí)值平均相對誤差為3.67%，對爐溫升降成功預(yù)測率達(dá)91.67%，二者均具有較高的準(zhǔn)確率。

關(guān)鍵詞：遺傳算法；BP神經(jīng)網(wǎng)絡(luò)；爐溫預(yù)測

DOI：10.16640/j.cnki.37-1222/t.2018.10.132

1 數(shù)據(jù)說明

本文將使用某高爐1000爐次包含硅含量、硫含量、鼓風(fēng)量、噴煤量等4個(gè)主要影響因素的時(shí)間序列生產(chǎn)數(shù)據(jù)。最終預(yù)測目標(biāo)爐溫，可看作是對鐵水硅含量的預(yù)測。

2 GA-BP對爐溫的預(yù)測

BP神經(jīng)網(wǎng)絡(luò)能以任意精度逼近任意復(fù)雜度的連續(xù)函數(shù)[1]，可利用遺傳算法優(yōu)化BP神經(jīng)網(wǎng)絡(luò)的權(quán)值與閾值，提高BP神經(jīng)網(wǎng)絡(luò)的穩(wěn)定性，克服BP神經(jīng)網(wǎng)絡(luò)陷入局部最優(yōu)缺陷[2]。

基于遺傳算法優(yōu)化的BP神經(jīng)網(wǎng)絡(luò)分為：遺傳算法優(yōu)化權(quán)值閾值、BP神經(jīng)網(wǎng)絡(luò)訓(xùn)練及預(yù)測[3]。神經(jīng)網(wǎng)絡(luò)的權(quán)值和閾值初值為隨機(jī)數(shù)，這個(gè)隨機(jī)數(shù)對網(wǎng)絡(luò)訓(xùn)練很重要，但又無法準(zhǔn)確獲得，引入遺傳算法就是為了優(yōu)化權(quán)值閾值。圖1為算法流程：

2.1 BP神經(jīng)網(wǎng)絡(luò)的實(shí)現(xiàn)

在神經(jīng)網(wǎng)絡(luò)為三層時(shí)，隱含層神經(jīng)元個(gè)數(shù)還需要公式確定[4]：

將提供的四類數(shù)據(jù)作為輸入層，下一時(shí)刻硅含量作為輸出層，因此，我們?nèi)。梢缘玫?。?個(gè)輸入層節(jié)點(diǎn)，8個(gè)隱含層節(jié)點(diǎn)，1個(gè)輸出層節(jié)點(diǎn)，遺傳算法優(yōu)化40個(gè)權(quán)值，9個(gè)閾值，共49個(gè)參數(shù)。

2.2 遺傳算法的實(shí)現(xiàn)

遺傳算法主要通過初始化種群，計(jì)算種群適應(yīng)度，找出最優(yōu)個(gè)體，選擇操作，交叉操作，變異操作，判斷進(jìn)化是否結(jié)束，若沒有結(jié)束再重新進(jìn)行以上操作。得到最優(yōu)種群后，再將種群解碼，把權(quán)值閾值重新賦予BP網(wǎng)絡(luò)進(jìn)行再次訓(xùn)練。

3 實(shí)驗(yàn)結(jié)果

以上算法采用MATLAB編程實(shí)現(xiàn)，兩個(gè)算法均需要人為確定參數(shù)：

通過最后48組驗(yàn)證數(shù)據(jù)得到以下對比圖：

我們可以發(fā)現(xiàn)預(yù)測結(jié)果與實(shí)際值比較吻合，計(jì)算平均相對誤差為3.67%，預(yù)測偏差較小。對于爐溫升降方向的預(yù)測正確率達(dá)到91.67%，較適合用來對爐溫的升降方向進(jìn)行預(yù)測。

4 結(jié)論

采用遺傳算法優(yōu)化BP神經(jīng)網(wǎng)絡(luò)對煉鐵高爐爐溫的預(yù)測具有較好溫度預(yù)測準(zhǔn)確率和爐溫升降方向預(yù)測準(zhǔn)確率。遺傳算法能夠優(yōu)化BP神經(jīng)網(wǎng)絡(luò)不同層之間的權(quán)值和閾值，能夠穩(wěn)定網(wǎng)絡(luò)的輸出結(jié)果。該方法的應(yīng)用能夠預(yù)測性地動(dòng)態(tài)調(diào)整生產(chǎn)過程控制，以獲得最佳生產(chǎn)效果。

參考文獻(xiàn)：

[1]周志華.機(jī)器學(xué)習(xí)[M]，清華大學(xué)出版社，2016：105.

[2]劉春艷，凌建春，寇林元，仇麗霞，武俊青.GA-BP神經(jīng)網(wǎng)絡(luò)與BP神經(jīng)網(wǎng)絡(luò)性能比較[J].中國衛(wèi)生統(tǒng)計(jì)，2013，30（02）：173-176+181.

[3]于瑩，袁萍，劉曉龍.基于遺傳算法的BP神經(jīng)網(wǎng)絡(luò)的變壓器故障預(yù)測[J].山東工業(yè)技術(shù)，2017（24）：203+208.

[4]沈花玉，王兆霞，高成耀，秦娟，姚福彬，徐巍.BP神經(jīng)網(wǎng)絡(luò)隱含層單元數(shù)的確定[J].天津理工大學(xué)學(xué)報(bào)，2008（05）：13-15.

作者簡介：湯啟友（1996-），男，四川資陽人，本科在讀。