[发明专利]基于MIV-GP算法优化BP神经网络的概率积分参数预测方法

权利要求书

1.基于MIV-GP算法优化BP神经网络的概率积分参数预测方法，该方法应用于对地质采矿条件进行筛选分析，其特征在于，所述方法包括如下步骤:

步骤S1、基于MIV算法对BP神经网络的输入变量进行筛选，对影响概率积分法参数的因子进行排序，剔除排序靠后的影响因子；

步骤S2、采用G-P算法优化BP神经网络的权值和阈值，从而建立MIV-GP-BP神经网络预测模型，实现概率积分参数预测；具体为：

步骤S201、初始化BP神经网络的拓扑结构,设定所述BP神经网络的输入层、隐含层、输出层节点的个数；

步骤S202、初始化种群，将需要待优化的权值和阈值信息根据预设编码规则进行编码；并按照设定的种群规模和初始化方法初始化种群；

步骤S203、将初始化后的种群按照GP算法规则进行迭代运算，直至算法满足结束条件时，最终得到全局最优个体，解码得到权值和阈值信息；

步骤S204、将解码得到的权值和阈值信息带入到BP神经网络中，得到网络的初始权值和阈值；

步骤S205、对神经网络进行反复学习训练，直至满足结束条件，最终得到优化后的BP神经网络的输出；

其中步骤S203中的GP算法规则具体如下：

步骤S301、GP算法中相关参数的设定，粒子的个数N,经过进化后的粒子个数M,变异概率P_m,交叉概率P_c,粒子群算法中粒子的最大速度V,惯性常数ω,学习因子c₁,c₂和迭代次数epoch,求解精度E；

步骤S302、种群的初始化，设置种群的规模N和粒子的维度n，采用实数随机编码，对粒子的速度和位置进行编码，利用适应度函数计算粒子群个体适应度值，更新粒子的个体极值和全局极值；

步骤S303、粒子群的迭代，更新粒子的速度和位置信息，并利用适应度函数计算每个粒子的适应度值，更新个体极值和种群的全局极值；

步骤S304、将N个粒子按照适应度函数值的大小排序，选取其中适应度值较小的N/3个粒子，由保留的N/3个粒子的位置值选择复制生成2N/3个GA个体；

步骤S305、对GA个体进行交叉和变异；

步骤S306、将GA算法生成的2N/3个个体与N/3个粒子合并组成新的N个粒子，再计算粒子群的适应度，并更新个体极值和全局极值；

步骤S307、算法结束的判断，判断粒子进化的迭代次数是否满足设定的最大进化代数，若是则算法结束，输出粒子群的全局极值，即最优解；

GP算法规则中所述适应度函数为：

其中,l为BP神经网络的输出层个数，y_k表示第k个节点的期望输出值。

2.根据权利要求1所述的基于MIV-GP算法优化BP神经网络的概率积分参数预测方法，其特征在于，所述步骤S1之前还包括构建BP神经网络。

3.根据权利要求2所述的基于MIV-GP算法优化BP神经网络的概率积分参数预测方法，其特征在于，所述步骤S1具体包括，

步骤S101、在所述BP神经网络训练终止之后，将训练单一自变量样本在原值的基础上增加和减少一定的比例，形成两组新的样本P₁、P₂；

步骤S102、利用训练好的样本P₁、P₂,得到各自的预测输出数据T₁、T₂；

步骤S103、求两组预测输出数据T₁、T₂之间的差值，得到变动该自变量对输出产生的影响变化值IV；

步骤S104、剔除每组样本值中的异常值，将获取的样本值的IV按照观测样本数取平均，得到该自变量对因变量网络输出的MIV值。

4.根据权利要求3所述的基于MIV-GP算法优化BP神经网络的概率积分参数预测方法，其特征在于，所述比例为10%。