乳化机诊断粒子群算法优化神经网络

乳化机诊断粒子群算法优化神经网络

由于BP 网络具有很好的非线性逼近能力和泛化能力，因而在信息处理、模式识别、故障诊断、图像识别、系统控制等^[48]多个领域得到了广泛的应用，并取得了不错的效果。但是就像上一小结介绍的，BP 神经网络还是具有一些缺点，特别是收敛速度慢这一缺点使其难以适用于需要动态控制的系统，不能胜任需要对现场环境做出实时反映的应用场合。除此之外，BP 网络的网络结构、初始化参数中连接权值和阈值的选择对网络的性能影响很大，目前神经网络研究领域并没有明确统一的优化策略来确定这些参数的设置。但是由于BP 网络具有许多其他神经网络所不具备的优点，国内外众多学者针对上述这些问题展开了深入的研究，其中一个分支就是探索利用群体智能算法对BP 神经网络进行优化，遗传算法优化神经网络就是其中的典型代表。但是由于遗传算法需要进行编码、交叉变异等操作，算法实际操作过程

具有一定的复杂度。近些年来，群体智能算法中的粒子群算法因其具有良好的全局搜索能力得到深入的研究和广泛的应用，一些学者也开始探索将粒子群优化算法应用到BP 神经网络领域，研究结果表明粒子群算法在优化神经网络初始权值和阈值的同时算法又较为简单高效，这为解决BP 神经网络相关缺陷与不足提供一种新的解决方法和思路。

粒子群优化BP 神经网络的目的是通过粒子群算法得到更好的网络初始权值和阈值，其基本思想为：粒子个体代表神经网络的初始权值和阈值，把BP 神经网络预测样本的测试误差作为目标函数输出，进而计算个体的适应度值，通过粒子速度、位置以及局部最优位置、全局最优位置的更新寻找全局最优解，即最优的BP 神经网络的初始权值和阈值^[49]。然后就能将优化后初始权值和阈值的BP 神经网络用于故障诊断、模式识别、图像处理等应用领域。该优化算法又可以简称为PSO-BP 算法。

粒子群优化BP 神经网络算法的步骤描述如下：

步骤1：根据输入输出训练样本集，确定BP 神经网络的拓扑结构。m 为输入层的神经元个数，h 为隐含层的神经元个数，n 为输出层神经元个数^[50]。则粒子群的维度D 为：

D=m×h+h×n+h+n

（3.31）

步骤2：初始化粒子位置以及速度，确定粒子种群规模、加速因子的大小、最大迭代次数以及惯性权重的最大值和最小值等。

步骤3：确定粒子群的适应度函数，并计算每个粒子的适应度值。当适应度函数值最小时，粒子群搜索出的最优解即为BP 神经网络最优初始权值和阈值。将网络实际输出与目标输出的方差作为粒子群体的适应度函数，函数描述如下：

1N

E(k )

j=1

(yj(k)−yˆ  j(k))

（3.32）

其中，N 为训练样本数；yˆ j (k ) 为第j 个训练样本在第k 次迭代时的网络实际输出；y j (k )

为第j 个训练样本的期望输出。

步骤4：如果该粒子的当前适应度函数值比个体历史最优值好，则将粒子当前的位置更新为个体历史最优位置；如果粒子的个体历史最优位置优于全局最优位置，则将粒子的全局最优更新为当前的个体历史最优。

步骤:5：根据标准粒子群算法的公式(3.3)和式(3.2)更新各个粒子的位置和速度。

步骤6：若满足停止条件（一般将其设为目标精度或最大迭代次数），则停止迭代，输出BP 网络最优初始权值和阈值，否则转至步骤3 继续迭代。

步骤7：将得到的最优初始权值和阈值代入BP 网络中进行二次学习训练，直到网络的性能指标均方误差（MSE）< e ，其中e 为网络期望目标。

粒子群算法优化BP 神经网络算法流程。