专利名称：基于增量改进bp神经网络的微波干燥预测方法
技术领域：
本发明涉及一种基于增量改进BP神经网络的微波干燥预测方法，一种用神经网 络预测微波干燥富硒渣生产过程中相对脱水率和温度的方法。属于冶金工程计算机神经网 络控制技术领域。
背景技术：
在微波干燥富硒渣的生产过程中，影响微波干燥效果的因素包括微波输入功率、 微波作用时间、物料转速等，其在干燥过程中影响程度不同，致使微波干燥过程试验周期 长，试验量大且参数不易优化。为此，选择具有非线性映射能力的BP神经网络，对微波干燥 过程建立仿真模型，预测分析试验过程。但是，公知的BP神经网络算法是基于梯度下降法， 通过计算目标函数对网络权值和阈值的梯度修正网络权值，在训练过程中存在收敛速度慢 和局部最小的问题；且对于复杂的问题，在训练过程中会陷入局部最小点，以致无法收敛， 相对于公知的BP神经网络算法，采用Levenberg-Marquardt (L-M)算法对BP神经网络加以 改进，提高了神经网络的收敛速度，同时针对在训练神经网络的过程中，无法一次性提供所 需的训练样本且当训练样本规模较大时，系统内存的限制使得对所有样本的训练不可行等 问题，提出基于增量学习的BP神经网络，建立了增量BP神经网络的非线性系统预测模型， 用以预测微波干燥富硒渣的生产结果。此方法能够准确、快速地预测生产过程中富硒渣的 相对脱水率和温度，为后续生产提供理论依据。发明内容
本发明的目的在于提供一种基于增量改进BP神经网络预测微波干燥富硒渣生产 过程中相对脱水率和温度的方法，选用三层BP神经网络为原型，采用增量学习和L-M算法 对网络进行改进，建立基于增量改进BP神经网络模型对微波干燥富硒渣的相对脱水率和 温度进行预测。通过计算机仿真试验，可以准确、快速地预测微波干燥试验过程中富硒渣的 相对脱水率和温度，减少探索性试验的数量，为后续生产提供理论依据。
本发明按以下步骤完成，
(1)数据采集选取实际生产数据作为训练样本，包括微波输入功率、微波作用时 间、物料转速、物料相对脱水率和物料温度；
(2)建立增量改进BP神经网络模型，并对网络进行训练和测试采用增量学习和 L-M算法对神经网络进行改进，并将选取的训练样本输入到网络中，对网络进行训练，将网 络的输出值与实测值进行对比，直到网络训练的均方误差达到要求，确定网络各层的权值 和阈值；
(3)预测物料相对脱水率和温度在生产过程的预测中，将选取的微波输入功率、 微波作用时间、物料转速作为神经网络的输入，神经网络的输出即为物料相对脱水率和温 度的预测值。
与公知技术相比的优点及积极效果
本发明所提出的基于增量改进BP神经网络预测微波干燥富硒渣的相对脱水率和 温度的方法，其中，基于L-M算法的BP神经网络，避免了传统BP网络当训练到一定程度时 SSE (误差平方和)不再更新，出现网络麻痹的现象，导致网络不能进行训练，它在调整网络 参数时跳出局部最小，使网络迅速收敛。基于增量学习的BP神经网络，可以有效地解决训 练样本无法一次性提供的问题，选取具有代表性的训练样本，在占用较小内存资源的情况 下完成对网络的训练。
图IBP神经网络拓扑结构图，图中Ni、N2, N3分别为输入层、隐含层、输出层节点的 个数；Xi表示输入信号；yh表示隐含层的输出信号&表示输出层的输出信号A表示目标 信号；ω ih表示输入层节点i到隐含层节点h的连接权值；ωω表示隐含层节点h到输出层 节点j的连接权值；Δ为调整的连接权值。
图2训练样本中富硒渣相对脱水率的预测图，其预测值与实测值完全拟合。
图3检验样本中富硒渣相对脱水率的预测图，其预测值与实测值拟合程度较好。
图4训练样本中富硒渣温度的预测图，其预测值与实测值完全拟合。
图5检验样本中富硒渣温度的预测图，其预测值与实测值拟合程度较好。
具体实施方式
实施例基于增量改进BP神经网络预测微波干燥富硒渣相对脱水率和温度的方 法，主要分以下三个步骤
(1)数据采集选取实际生产过程记录的数据作为训练样本，包括微波输入功率、 微波作用时间、物料转速、物料相对脱水率和物料温度，并将样本数据归一化到0和1之 间；
(2)建立增量改进BP神经网络模型，并对网络进行训练和测试本发明的神经网 络包括一个输入层、一个隐含层和一个输出层，其中，输入层包含3个神经元，分别对应微 波输入功率、微波作用时间和物料转速，输出层包含2个神经元，分别对应物料相对脱水率 和物料温度，隐含层神经元数目由网络训练的均方误差和增量学习调整BP神经网络的权 值确定。根据先验知识设定其权值表示知识的有效区间，权向量可以在保持所学知识准确 性的情况下在该有效区间内移动，当有新样本到来时，通过固定网络结构，在权值变化有效 区间内调整权值，使表示向量逼近目标向量，从而学习到新样本的知识，同时由于权值调整 范围限制在有效区间内，网络不仅学习到了新样本的知识，而且保持了原有样本的知识。 L-M算法是一种利用标准的数值优化技术的快速算法，具有二阶收敛速度，既有牛顿法的局 部收敛特性，又有梯度下降算法的全局特性，能够解决BP神经网络学习收敛速度慢，容易 陷入局部最小的问题，以此改善神经网络的收敛速度和收敛性能。经过网络运算，比较输出 值和期望值之间的误差，若误差小于设定的精度，学习结束。否则，将误差信号反向传播，并 逐步调整各层的权值，直至误差小于设定的精度为止。对网络进行反复训练，当误差达到设 定精度时，停止训练，开始预测。
BP神经网络的学习过程分为信息的正向传播过程和误差的反向传播过程两个阶 段。
正向传播正向传播过程为输入层至隐含层至输出层，同一层间神经元不连接，每 一层的神经元状态只影响下一层神经元。
隐含层某一节点的输出
权利要求
1. 一种基于增量改进BP神经网络的微波干燥预测方法，其特征在于，选取三层BP神经 网络为原型，采用增量学习和Levenberg-Marquardt算法对BP神经网络进行改进，建立增 量改进BP神经网络模型对微波干燥富硒渣相对脱水率和温度进行预测，包括如下三个步 骤(1)数据采集选取准确的试验数据作为样本数据，包括微波输入功率、微波作用时 间、物料转速、物料相对脱水率和物料温度；(2)建立增量改进BP神经网络模型，并对网络进行训练和测试采用增量学习和L-M 算法对神经网络进行改进，并将采集到的样本数据输入到网络中，对网络进行训练，将网络 的输出值与实测值进行对比，直到网络训练的均方误差达到要求，确定网络各层的权值和 阈值；(3)预测物料相对脱水率和温度在生产预测时，将采集的微波输入功率、微波作用时 间、物料转速作为神经网络的输入，神经网络的输出即为物料相对脱水率和温度的预测值。
全文摘要
本发明涉及一种基于增量改进BP神经网络的微波干燥预测方法，是一种用神经网络预测微波干燥富硒渣生产过程中相对脱水率和温度的方法，选用三层BP神经网络为原型，采用增量学习和L-M算法对网络进行改进，建立基于增量改进BP神经网络模型对微波干燥富硒渣的相对脱水率和温度进行预测。通过计算机仿真试验，可以准确、快速地预测微波干燥试验过程中富硒渣的相对脱水率和温度，减少探索性试验的数量，为后续生产提供理论依据。
文档编号G06N3/08GK102033991SQ20101057501
公开日2011年4月27日 申请日期2010年12月7日 优先权日2010年12月7日
发明者张世敏, 张利波, 张彪, 彭金辉, 李玮, 李英伟, 郭胜惠 申请人:昆明理工大学