GA—BP网络混合建模方法及其在冷轧参数优化中的应用

GA—BP网络混合建模方法及其在冷轧参数优化中的应用

ID:41883713

大小:159.50 KB

页数:4页

时间:2019-09-04

GA—BP网络混合建模方法及其在冷轧参数优化中的应用_第1页
GA—BP网络混合建模方法及其在冷轧参数优化中的应用_第2页
GA—BP网络混合建模方法及其在冷轧参数优化中的应用_第3页
GA—BP网络混合建模方法及其在冷轧参数优化中的应用_第4页
资源描述:

《GA—BP网络混合建模方法及其在冷轧参数优化中的应用》由会员上传分享,免费在线阅读,更多相关内容在工程资料-天天文库

1、文章第号:1671-3559(2001)04-0319-04GA-BP网络混合建模方法及其在冷轧参数优化中的应用王炭3孙一康2(1.济南火学佰息科学与工程学院•山东济南250022:2•北京科技大学佰息工程学院,北京100083)摘要:提出基于遗传算法与BP网络混台建模怖冷轧参敘智修优紀甘方法,该方法具有学习功能强、计算精度高、使用方便等特貞、且适合在线计算。实验证明了该方法的育皴性、为冷连轧机组乳制扼程的智能优化设计提供了一争新的途卷C关镇词:伸经怦络;境传算法;冷轧;轧制参数中图分类号:TP18,TG333文献标识码;Al^P神经网络(ba

2、ckprppflgationneuralnetworks,简称BP网络)是目前应用最广泛的一种有监督学习功能的神经网络,其结构简单、工作状态稳定、突出的优点是具有很强的非线性映射能力和柔性的网络结构。BP算法已被证实是一种有效的学习算法,当输入输出之间是非线性关系以及训练数据充足的情况下,该算法非常有用。然而,BP网络并不是一个十分完善的网络•在实践中它也暴霭岀自身的一些缺陷.如收敛速度慢、可能陷人局部极小、网络结构的确定无理论指导等问题。遗传算法(geneticalgorithms.®称GAJ是模拟生物在自然界环境中的遗传和进化过程而形成的一

3、种自适应全局优化概率搜索算法。能解决传统优化方法难以解决的复杂优化问题,在复杂空间内进行有效的搜索,并具有很强的鲁棒性与适应性C该文借助遗传算法的寻优机理,将其与BP网络结合构成GA-BP算法,利用GA的全局搜索能力,优化BP网络的结构参数,有效地克服了BP算法的局部收敛等问题,并针对传统优化方法在冷轧参数优化设计过程中所带来的不足,将GA-BP网络混合建模成功地应用于冷轧参数的优化计算中。1神经网络与遗传算法1.1BP网络及算法特点BP网络在神经网络的研究中占有十分重要的地位,目前在神经网络的实际应用中绝大部分的神经网吹稿日期〉20010-2

4、0第一作者简介:女,1961年生,副敎授,博士研究生络模型是采用BP网络,见图1。和它的变化形式,它体现了神经网络最精华的部分,主要用于函数逼近、模式识别、分类及压缩等方面c神经网络作为优化问题中的稳态模型,具有自学习、自组织和自适应的能力•只要求有足够的学习样本,而不考虑系统过程的具体结构•因此具有校好的通用性和灵活性,且计算精度较髙。图1BP网络镇显结构BP网络的学习由4个过程组成⑴,即:输人模式由输入层经隐层向输出层的“模式顺传播”过程;网络的希望输岀与网络的实际输出之差的误差信号由输岀层经隐层向输人层逐层修正连接权值的“谋差逆传播”过程

5、;由“模式顺传播”与“谋差逆传播"的反复交替进行的网络“记忆训练”过程;网络趋向收敛即网络的全局误差趋向极小值的“学习收敛”过程。虽然BP两络可用于许多銀域•但它在实践中也暴ar出白身的一些缺陷,主要有:(1〉收敛速度慢即使一个比较简单的问题也需成百上千次的学习训练才能收敛。(2)不能保证收敛到全局最小点BP算法在数学上属于非线性优化问题,因而不可避免地存在着陷于局部极小的可能性•加之实际问题的求解空间往往是极其复杂的多维曲面,存在着多个局部极小点.更使得这种陷于局部极小的可能性大大增加C(3)网络的学习、记忆具有不稳定性一个训练结束的BP网络

6、,当给它提供新的记忆模式时,将使已有的连接权值打乱,导致已记忆的学习模式的信息消失,要避免这种现象,就必須将康来的学习模式连同新加人的学习模式一起重新进行训练。(4)网络结构的确定无理论指导网络隐层的层数及隐层单元数的选取完全凭经验确定,这往往使网络具有很大的冗余性,无形中也增加了网络的学习时间。针对以上问题,本文中利用GA的全局寻优能力对BP网络的结构参数进行优化设计,即借助GA优化BP网络的隐层单元数、阈值及网络权值等参数•以进一步提高网络学习速度和函数逼近能力,改善I3P算法的性能。1.2遗传算法的特点遗传算法是建立在自然选择和群体遗传学

7、机理基础上的随机、迭代、进化•且具有广泛适用性的搜索方法.1962年由美国的Holland教授首次提出「与传统的优化方法相比,遗传算法主要有以下几个特克⑵.(1)GA操件的对象是一组可行解,而非单个可行解;搜索轨道有多条,而非单条,因而具有良好的并行性C(2)GA只需利用冃标函数的取值信息,而无需梯度信息等高价信息,因而适用于大规模、高度非线性的不连续多峰函数的优化以及无解析表达式的目标函数的优化,具有很强的通用性。(3)GA的择优机制是一种“软"决策,加上其良好的并行性,使其具有良好的全局优化性能和稳健性。(4)GA操作的可行解集是经过编码的

8、,目标函数可解释为编码化个体(可行解)的适应值,因而具有良好的可操作性与简单性。1.3GA优化BP网络结构參数算法步骤用BP网络解决问题的过程主要是设

当前文档最多预览五页,下载文档查看全文

此文档下载收益归作者所有

当前文档最多预览五页,下载文档查看全文
温馨提示:
1. 部分包含数学公式或PPT动画的文件,查看预览时可能会显示错乱或异常,文件下载后无此问题,请放心下载。
2. 本文档由用户上传,版权归属用户,天天文库负责整理代发布。如果您对本文档版权有争议请及时联系客服。
3. 下载前请仔细阅读文档内容,确认文档内容符合您的需求后进行下载,若出现内容与标题不符可向本站投诉处理。
4. 下载文档时可能由于网络波动等原因无法下载或下载错误,付费完成后未能成功下载的用户请联系客服处理。