[发明专利]一种基于粒子群优化神经网络的烘丝工艺参数选取方法

权利要求书

1.一种基于粒子群优化神经网络的烘丝工艺参数选取方法，其特征在于，包括以下步骤：

采集烘丝工艺参数以构建样本数据，每个样本包括一组烘丝工艺参数以及该组工艺参数对应的烟丝品质概率；

构建神经网络，利用样本数据优化神经网络的网络参数，优化时，将网络参数初始化为粒子个体，以样本的预测误差作为个体适应度，采用粒子群优化算法优化网络参数，参数确定的神经网络作为工艺参数选取模型；

利用工艺参数选取模型选取烘丝工艺参数。

2.如权利要求1所述的基于粒子群优化神经网络的烘丝工艺参数选取方法，其特征在于，采集的烘丝工艺参数数据经过清洗、归一化处理后，来构建样本数据。

3.如权利要求1所述的基于粒子群优化神经网络的烘丝工艺参数选取方法，其特征在于，所述神经网络为前馈神经网络，包含输入层、隐含层、输出层，将输入层到隐含层的权重参数与偏置参数、隐含层到输出层的权重参数与偏置参数，初始化为粒子个体。

4.如权利要求1所述的基于粒子群优化神经网络的烘丝工艺参数选取方法，其特征在于，采用采用粒子群优化算法优化网络参数时，个体适应度F(i)为：

其中，k为粒子个体索引，k为样本索引，N为样本总数，m为输出神经元节点索引，l为输出神经元节点总数，和分别表示第k个样本对于第m个神经元节点的预测值与真实值；

依据个体适应度值选择选择两个粒子个体作为父代，通过交叉和变异，随机改变某个粒子个体的位置，以产生新粒子个体。

5.如权利要求1所述的基于粒子群优化神经网络的烘丝工艺参数选取方法，其特征在于，采用粒子群优化算法优化网络参数时，引入梯度信息加快粒子个体更新速度，即每次粒子更新时，更新方式为：

其中，w_grad表示梯度权重，t为迭代次数索引，pos_i(·)表示第i个粒子个体的位置，表示个体适应度函数f的梯度信息。

6.如权利要求1或5所述的基于粒子群优化神经网络的烘丝工艺参数选取方法，其特征在于，采用粒子群优化算法优化网络参数时，引入概率P_grad加快粒子个体更新速度，即每次粒子更新时，以概率1-P_grad更新粒子速度和位置：

pos_ix(t+1)＝pos_ix(t)+v_ix(t+1)

其中，v_ix(·)表示第i个粒子速度的第x维分量，pos_ix(·)表示第i个粒子位置的第x维分量，表示第i个粒子对应的局部最优解值的第x维分量，表示整个粒子群全局最优解的第x维分量，ω为惯性因子，表示粒子对原先状态的保留程度；c₁为粒子个体对自身经验的学习程度，c₂为粒子个体对群体信息的学习程度，通常取值于区间[0,4]，它们决定了粒子个体的迭代速度和精度，r₁和r₂为[0,1]区间的两个随机数。

7.如权利要求5或6所述的基于粒子群优化神经网络的烘丝工艺参数选取方法，其特征在于，采用粒子群优化算法优化网络参数时，在更新粒子得到新粒子个体后，计算每个新粒子个体的适应度值，并更新个体最优值和全局最优值。

8.如权利要求1所述的基于粒子群优化神经网络的烘丝工艺参数选取方法，其特征在于，采用粒子群优化算法优化网络参数时，引入因子Speed来控制粒子群的进化速度，具体为：

其中，f(pos_best(t-1))表示t-1次迭代生成了最小适应度值，f(pos_best(t))表示t次迭代生成的最小适应度值；

当Speed＜4时，表明粒子群搜索陷入局部最优，为此在最优粒子位置的邻域内随机产生R个粒子用于替换整个粒子群中最差的R个粒子，这样来控制粒子群的进化速度。

9.如权利要求1所述的基于粒子群优化神经网络的烘丝工艺参数选取方法，其特征在于，利用工艺参数选取模型选取烘丝工艺参数时，将待选择的烘丝工艺参数组输入工艺参数选取模型，工艺参数选取模型经计算输出预测烟丝品质概率，选取最优烟丝品质概率对应的烘丝工艺参数组作为最终选取的烘丝工艺参数。