一种神经网络自更新过程的实现方法
【技术领域】
[0001] 本发明涉及人工智能技术领域，特别是涉及一种神经网络自更新过程的实现方 法。
【背景技术】
[0002] 在人工智能领域，遗传算法与计算流体力学（CFD)、神经网络技术经常被用于反向 设计过程。遗传算法与计算流体力学（CFD)相结合进行反向设计时，仅使用CFD方法计算新 个体的设计目标值，设计过程中可能产生较多新个体，因此会产生较多CFD计算过程，导致 反向设计方法的计算量大。遗传算法与神经网络相结合进行反向设计时，仅使用人工神经 网络计算新个体的设计目标值，神经网络的预测误差可能导致设计过程不收敛。因此，设计 过程中，需同时使用CFD和神经网络计算新个体的设计目标值。使用此方法进行反向设计 时，计算量受神经网络训练样本量的影响。但在现有方法中，只能通过人为经验确定训练样 本量。若训练样本量过小，神经网络预测误差大，导致设计过程中产生较多不必要的CFD计 算过程。若训练样本量过大，则需付出很多额外的CFD计算时间，获得了过剩的训练样本。 因此，构建一种能够自动确定神经网络训练样本量的方法十分必要。
【发明内容】
[0003] 为了克服上述现有技术存在的直流系统故障隔离难的问题，本发明提出了一种神 经网络自更新过程的实现方法，自动确定神经网络训练样本量，降低反向设计计算量。
[0004] 本发明提出了一种神经网络自更新过程的实现方法，该方法包括以下步骤：
[0005] 步骤1、根据设计对象确定设计变量与设计目标；
[0006] 步骤2、通过抽样获得神经网络的初始训练样本，实现对神经网络的训练；
[0007] 步骤3、利用遗传算法的交叉变异过程同时得到多组符合设计要求的设计变量值， 从中搜索满足设计要求的个体，使用神经网络和计算流体力学方法（CFD)计算新个体的设 计目标值，并将计算流体力学方法（CFD)计算结果添加到初始训练样本中，得到更新训练 样本；
[0008] 步骤4、使用更新训练样本对神经网络进行再次训练，实现了神经网络的更新；
[0009] 步骤5、然后通过非支配排序方法对种群中的个体进行排序，并使用锦标赛算法进 行选择，产生新种群，若新种群符合收敛标准，设计过程结束，否则返回步骤（3)，继续执行。
[0010] 与现有技术中相比，本发明提出的自更新神经网络方法使反向设计的计算量减少 了 27. 4%。
【附图说明】
[0011] 图1为本发明的遗传算法与自更新神经网络相结合的反向设计方法流程图；
[0012] 图2为本发明具体实施例的Blay模型示意图；a)Blay模型的几何结构，（b)网格 划分；
[0013] 图3为神经网络无自更新时计算量变化曲线图；
[0014] 图4为神经网络有自更新时计算量变化曲线图。
【具体实施方式】
[0015] 以下结合附图及【具体实施方式】，进一步详述本发明的技术方案。
[0016] 图2为模型的几何结构及边界条件。反向设计的对象为Blay模型，其外部结构为 正方形，尺寸为1. 04X1. 04m，包含一个入口和一个出口，入口尺寸为0. 018m，出口尺寸为 0. 022m。入口速度为0. 57m/s，入口温度为15°C，送风角度为水平方向，四周使用无滑移的 壁面边界条件，壁面温度均设为恒温条件，监测点位于出口附近。
[0017](一）、神经网络无自更新时的计算结果：
[0018] 对Blay模型进行反向设计时，设计变量为入口速度与温度，设计目标为监测点 处速度与温度。根据数值计算结果，得到监测点处的速度大小为〇. 1325m/s，温度大小为 17. 67°C，进而得到了Blay模型反向设计的目标函数：
[0019]
[0020] 遗传算法的交叉概率为0. 8,变异概率为0. 1。选择方法使用父子混合模式下的锦 标赛算法，在父代和子代中共同选择新种群，每次参加比赛的个体数为5,最大遗传代数为 1〇〇代。反向设计的收敛条件为FBlay= 0,当且仅当监测点处的速度、温度计算值与目标值 (0· 1325m/s，17. 67°C)完全一致时，才能达到此收敛条件。
[0021] 使用拉丁超立方体抽样方法，产生40组入口速度与温度的组合作为输入参数，使 用这些输入参数作为边界条件对Blay模型进行CFD计算，得到每组输入参数对应的输出参 数，即监测点处的速度及温度值，每组输入参数及其对应的输出参数构成一个完整的训练 样本，使用所有训练样本对神经网络进行训练，将训练好的神经网络与遗传算法相结合，应 用于Blay模型的反向设计。同时使用神经网络与CFD计算Blay模型的设计目标值。首 先使用神经网络对新个体的目标值进行预测，并根据设计目标的预测值计算&_值，若此 值低于〇. 1，使用CFD对该个体进行计算，获得该个体的真实的FBlay值或CFD计算值。如图 3所示，神经网络无自更新时计算量增长曲线：在反向设计过程中，当遗传算法计算到第86 代时，反向设计过程收敛，共计算了 164个CFD算例。
[0022](二）、神经网络有自更新时的计算结果：
[0023] 使用遗传算法与自更新神经网络相结合的方法，对Blay模型进行反向设计。遗传 算法计算参数与（一）相同。使用上述（一）的神经网络无自更新时反向设计而得到的神 经网络作为初始神经网络（上述（一）的神经网络无自更新时训练得到的神经网络作为初 始神经网络），设计过程中同时使用神经网络与CFD计算Blay模型的设计目标值，并将CFD 计算结果添加到神经网络训练样本中，并对神经网络进行再训练，实现训练样本和神经网 络的自更新。
[0024] 如图所示，为神经网络有自更新时计算量变化曲线图：在反向设计过程中，当遗传 算法计算到第40代时，反向设计过程收敛，共计算了 119个CFD算例，与神经网络无自更新 时相比，反向设计总计算量下降了 27.4%。
【主权项】
1. 一种神经网络自更新过程的实现方法，其特征在于，该方法包括以下步骤： 步骤（1)、根据设计对象确定设计变量与设计目标； 步骤（2)、通过抽样获得神经网络的初始训练样本，实现对神经网络的训练； 步骤（3)、利用遗传算法的交叉变异过程同时得到多组符合设计要求的设计变量值，从 中搜索满足设计要求的个体，使用神经网络和计算流体力学方法，计算新个体的设计目标 值，并将计算流体力学方法计算结果添加到训练样本中，得到更新训练样本； 步骤（4)、使用更新训练样本对神经网络进行再次训练，实现了神经网络的更新； 步骤（5)、然后通过非支配排序方法对种群中的个体进行排序，并使用锦标赛算法进行 选择，产生新种群，若新种群符合收敛标准，设计过程结束，否则返回步骤（3)，继续执行。
【专利摘要】本发明公开了一种神经网络自更新过程的实现方法，根据设计对象确定设计变量与设计目标；通过抽样获得神经网络的初始训练样本，实现对神经网络的训练；利用遗传算法的交叉变异过程，搜索满足设计要求的个体，使用神经网络和计算流体力学方法，计算新个体的设计目标值，并将计算流体力学方法计算结果添加到初始训练样本中，得到更新训练样本；使用更新训练样本对神经网络进行再次训练，实现了神经网络的更新；然后进行选择，产生新种群，若新种群符合收敛标准，设计过程结束，否则返回步骤(3)，继续执行。与现有技术中相比，本发明提出的自更新神经网络方法使反向设计的计算量减少了27.4％。<!-- 2 -->
【IPC分类】G06N3/02
【公开号】CN105389614
【申请号】CN201510905762
【发明人】尤学一, 张天虎
【申请人】天津大学
【公开日】2016年3月9日
【申请日】2015年12月9日