基于遗传小波神经网络的安全预警模型制造技术

本发明专利技术公开一种基于遗传小波神经网络的安全预警模型，包括以下步骤：1)输入数据的模糊化；2)确定遗传小波神经网络的层数以及输入、输出和隐含层节点数；3)信息编码；4)种群初始化；5)适应度函数计算；6)选择操作；7)遗传操作；8)选择最优个体解码；9)根据第一步设定的BP网络的参数进行训练；10)优化小波神经网络；11)优化遗传函数。本发明专利技术的安全预警模型，小波神经网络结构更简单，收敛速度更快，通过小波基函数作为神经网络神经元使神经网络有更强的学习能力，精度更高，实现即时、高效的对化工生产系统科学的、准确的预警，避免化工生产出现事故。

Security early warning model based on Genetic Wavelet Neural Network

The invention discloses a security early warning model based on genetic wavelet neural network, which includes the following steps: 1) the fuzzification of input data; 2) determine the layer number of the genetic wavelet neural network and the number of input, output and hidden layer nodes; 3) information coding; 4) population initialization; 5) fitness function calculation; 6) selection operation; 7) heredity. Operation; 8) select the best individual to decode; 9) train according to the parameters of the BP network set in the first step; 10) optimize the wavelet neural network; 11) optimize the genetic function. The security early-warning model of the invention is that the structure of the wavelet neural network is simpler and the speed of convergence is faster. By using the wavelet basis function as the neural network neuron, the neural network has a stronger learning ability and higher precision, so as to realize the immediate and efficient early warning of the scientific and accurate chemical production system and avoid the occurrence of chemical production. So.

【技术实现步骤摘要】
基于遗传小波神经网络的安全预警模型
本专利技术涉及化工生产预警领域，特别是涉及一种基于遗传小波神经网络的安全预警模型。
技术介绍
化工生产过程由于涉及危险化学品数量多、生产工艺要求苛刻，以及生产装置的大型化、连续化和自动化，一旦发生事故，后果将极其严重，化工生产过程是一个典型的巨系统，利用一般的数学模型构建方法很难对该安全系统行一个科学的、准确的预警，BP神经网络作为一种典型的前馈型神经网络在多个领域得到广泛应用，其具有非线性、自学习、自组织和自适应等优点，但在实际应用中，神经网络还存在一定的局限性：收敛速度较慢，而且网络的其他因素如各种参数的设定也影响到收敛的速度，这显然与安全预警系统要求的即时高效不相适应。现有技术如，中国专利技术授权专利文献，授权公告号：CN103077408B，该专利技术所提供的基于小波神经网络的海底声纳图像转换为声学底质类别方法，利用遗传小波神经网络的算法，可进行局部分析，通过遗传算法优化网络初始参数，避免陷入局部较小，有效地避免了噪音和局部极值，使得由海底声纳图像转换为声学底质类别更为的精确可靠，在海底底质分类中具有重要的实用价值，但是对于同样的任务小波神经网络结构复杂，收敛速度不太理想。
技术实现思路
本专利技术的目的在于提供一种基于遗传小波神经网络的安全预警模型，小波神经网络结构更简单，收敛速度更快，通过小波基函数作为神经网络神经元使神经网络有更强的学习能力，精度更高，实现即时、高效的对化工生产过程中安全问题科学的、准确的预警。本专利技术为实现上述目的所采取的技术方案为：基于遗传小波神经网络的安全预警模型，包括以下步骤：1)输入数据的模糊化：借助模糊数学和隶属度函数对预警指标进行标准化和无量纲化处理；2)确定遗传小波神经网络的层数以及输入、输出和隐含层节点数；①单个BP小波神经网络建立：确定网络输入、输出神经元，网络的输入即系统的内生变量，输出即系统的外生变量，对于生产过程子系统和系统的预警来说，输入节点数预警指标数，输出节点数按照预警等级分为预警的5个级别；②设计网络隐含层数：隐层数决定着网络的预测精度和收敛速度，通过增加隐层数可以降低网络误差，但也使网络更加复杂，增加了网络的学习时间，遗传小波BP神经网络设计为包反一个隐层的三层BP网络，隐层节点的激活函数为Morlet母小波基函数；③确定隐层节点数：由于目前还没有成熟的理论和方法确定隐层节点数，需要网络设计者根据自身的经验和尝试确定；3)信息编码：根据编码公式确定编码的长度:N＝nk×i+nk×j+j其中i为输入层节点数，j为输出层节点数，mk为隐层节点数；4)种群初始化：通过MATLAB工具箱汇中的initializega函数对种群进行初始化，终止条件指误差E小于某一给定值，或群体适应度趋于稳定，或训练已达到预定的进化代数。5)适应度函数计算：根据测试集数据的误差平方和的倒数为适应度函数，在式子中为测试集合中第i个预测值，ri为测试集中第i个的真实值，n为样本个数；6)选择操作:①计算种群中个体的适应度之和②计算种群中各个个体的适应度，作为个体被选中遗传到下一代种群中的概率，7)遗传操作，采用单点交叉算子和单点变异算子对输入自变量进行降维操作，对父代和子代的适应度值按顺序进行排列后，从中挑选N个适应度值较大的个体作为下一代的样本，重复训练直到达到训练的终止条件；8)选择最优个体解码，得到BP神经网络的初始权值和闽值；9)根据第一步设定的BP网络的参数进行训练，训练次数达到预定值，或者误差小于目标值，则网络训练结束，否则转入上一步；10)优化小波神经网络，根据优化计算的得到的结果，将选出的参与建模的输入自变量对应的训练集和测试集数据提取出来，利用小波神经网络重新建立模型进行仿真实验，并进行结果分析；11)优化遗传函数，化遗传函数的具体方法如下：使用MATLAB遗传算法工具箱中的ga函数实现，其中包含了选择、交叉和变异的操作，其调用方式：[x，endPop，bPop，traceInfo]＝ga(bounds，evaLFN，eva10ps，startPop，opts，termFN，termOps，sellectFN，selectOps，xOverOps，mutFNs，mutOps0)。与现有技术相比，本专利技术的有益效果为：本专利技术的基于遗传小波神经网络的安全预警模型，用小波元代替神经元构成嵌套型小波神经网络，使得输入层到隐含层的权值及隐含层阈值分别由小波函数的尺度和平移参数所代替，对同样的学习任务，使小波神经网络结构更简单，收敛速度更快，通过小波基函数作为神经网络神经元使神经网络有更强的学习能力，精度更高，实现即时、高效的对化工生产系统科学的、准确的预警，避免化工生产出现事故。本专利技术采用了上述技术方案提供的基于遗传小波神经网络的安全预警模型，弥补了现有技术的不足，设计合理，操作方便。附图说明图1为本专利技术遗传模糊小波神经网络结构；图2为本专利技术神经网络训练流程。具体实施方式以下结合实施例和附图对本专利技术详细描述：实施例1：如图1、2所示，基于遗传小波神经网络的安全预警模型，包括以下步骤：1)输入数据的模糊化：借助模糊数学和隶属度函数对预警指标进行标准化和无量纲化处理；2)确定遗传小波神经网络的层数以及输入、输出和隐含层节点数；①单个BP小波神经网络建立：确定网络输入、输出神经元，网络的输入即系统的内生变量，输出即系统的外生变量，对于生产过程子系统和系统的预警来说，输入节点数预警指标数，输出节点数按照预警等级分为预警的5个级别；②设计网络隐含层数：隐层数决定着网络的预测精度和收敛速度，通过增加隐层数可以降低网络误差，但也使网络更加复杂，增加了网络的学习时间，遗传小波BP神经网络设计为包反一个隐层的三层BP网络，隐层节点的激活函数为Morlet母小波基函数；③确定隐层节点数：由于目前还没有成熟的理论和方法确定隐层节点数，需要网络设计者根据自身的经验和尝试确定；3)信息编码：根据编码公式确定编码的长度:N＝nk×i+nk×j+j其中i为输入层节点数，j为输出层节点数，mk为隐层节点数；4)种群初始化：通过MATLAB工具箱汇中的initializega函数对种群进行初始化，终止条件指误差E小于某一给定值，或群体适应度趋于稳定，或训练已达到预定的进化代数。5)适应度函数计算：根据测试集数据的误差平方和的倒数为适应度函数，在式子中为测试集合中第i个预测值，ri为测试集中第i个的真实值，n为样本个数；6)选择操作:①计算种群中个体的适应度之和②计算种群中各个个体的适应度，作为个体被选中遗传到下一代种群中的概率，7)遗传操作，采用单点交叉算子和单点变异算子对输入自变量进行降维操作，对父代和子代的适应度值按顺序进行排列后，从中挑选N个适应度值较大的个体作为下一代的样本，重复训练直到达到训练的终止条件；8)选择最优个体解码，得到BP神经网络的初始权值和闽值；9)根据第一步设定的BP网络的参数进行训练，训练次数达到预定值，或者误差小于目标值，则网络训练结束，否则转入上一步；10)优化小波神经网络，根据优化计算的得到的结果，将选出的参与建模的输入自变量对应的训练集和测试集数据提取出来，利用小波神经网络重新建立模型进行仿真实验，并进行结果分析；11)优化遗传函数本文档来自技高网...

【技术保护点】
1.基于遗传小波神经网络的安全预警模型，其特征在于，包括以下步骤：1)输入数据的模糊化：借助模糊数学和隶属度函数对预警指标进行标准化和无量纲化处理；2)确定遗传小波神经网络的层数以及输入、输出和隐含层节点数；3)信息编码：根据编码公式确定编码的长度:N＝nk×i+nk×j+j其中i为输入层节点数，j为输出层节点数，mk为隐层节点数；4)种群初始化：通过MATLAB工具箱汇中的initializega函数对种群进行初始化；5)适应度函数计算：根据测试集数据的误差平方和的倒数为适应度函数，

【技术特征摘要】
1.基于遗传小波神经网络的安全预警模型，其特征在于，包括以下步骤：1)输入数据的模糊化：借助模糊数学和隶属度函数对预警指标进行标准化和无量纲化处理；2)确定遗传小波神经网络的层数以及输入、输出和隐含层节点数；3)信息编码：根据编码公式确定编码的长度:N＝nk×i+nk×j+j其中i为输入层节点数，j为输出层节点数，mk为隐层节点数；4)种群初始化：通过MATLAB工具箱汇中的initializega函数对种群进行初始化；5)适应度函数计算：根据测试集数据的误差平方和的倒数为适应度函数，在式子中为测试集合中第i个预测值，ri为测试集中第i个的真实值，n为样本个数；6)选择操作:①计算种群中个体的适应度之和②计算种群中各个个体的适应度，作为个体被选中遗传到下一代种群中的概率，7)遗传操作，采用单点交叉算子和单点变异算子对输入自变量进行降维操作，对父代和子代的适应度值按顺序进行排列后，从中挑选N个适应度值较大的个体作为下一代的样本，重复训练直到达到训练的终止条件；8)选择最优个体解码，得到BP神经网络的初始权值和闽值；9)根据第一步设定的BP网络的参数进行训练，训练次数达到预定值，或者误差小于目标值，则网络训练结束，否则转入上一步；10)优化小波神经网络，根据优化计算的得到的结果，将选出的参与建模的输入自变量对应的训练集和测试集数据提取出来，利用小波神经网络重新建立模型进行仿真实验，并进行结果分析；11)优化遗传函数。2.根据权利要求1所述的基于遗传小波神经网络的安...

【专利技术属性】
技术研发人员：郭健，竺柏康，朱根民，张华文，
申请(专利权)人：浙江海洋大学，
类型：发明
国别省市：浙江,33