神经网络优化方法、装置、计算机设备及存储介质制造方法及图纸

本发明专利技术公开了一种神经网络优化方法、装置、计算机设备及存储介质，其中方法包括：建立所述工艺过程对应的神经网络，所述神经网络包括输入层、隐含层和输出层，其中，所述输入层的节点与所述工艺过程的参数一一对应，所述输出层节点与所述工艺过程的优化指标参数对应；利用遗传算法对所述神经网络的权值和阈值的分布进行优化，得到所述神经网络的权值和阈值的搜索区间；对所述神经网络进行训练以从所述搜索区间中确定出权值和阈值的最优解，得到训练后的神经网络。本发明专利技术利用遗传算法优化神经网络的初始权值和阈值，建立了基于神经网络的工艺闭环优化的实现方法，采用基于遗传算法优化后的神经网络可以更加有效的优化工艺生产线。

Neural network optimization methods, devices, computer equipment and storage media

【技术实现步骤摘要】
神经网络优化方法、装置、计算机设备及存储介质
本专利技术涉及人工智能
，具体涉及一种神经网络优化方法、装置、计算机设备及存储介质。
技术介绍
工艺过程中的工况是由控制器进行闭环反馈控制的。设备的老化、环境的变动以及原料成分的变动等诸多因素形成的对工艺过程的慢扰动，从而需要根据某些指标规定不断地去改变控制器的设定值，使工业过程保持在最优状况，来增加产量，减少原材料和能源消耗，并且还能够提高产品质量，这是工艺过程优化的目的。随着工艺生产的大规模集成化、自动化，人们对控制系统的性能要求不断提高，已不满足生产装置的稳定运行。另外，人们对环保意识的逐步增强，以及原材料的价格上涨致使的生产成本的不断提高，因此希望可以寻得一种有效的方法，在尽可能保持原有设备的前提下，可以借助改善操作过程来实现成本和能耗的降低，并且保持高质量、高产量和高生产效率。国内外的专家学者提出了众多方法来改进工艺过程。诸如采用静态多级优化方法、稳态递阶优化控制方法、集成研究方法ISOPE等，这些优化方法在解决过程大规模、变量关联方面取得了不少成果。但总的来说，这些方法所采取的优化策略仍然是基于传统的线性规划或非线性规划方法。而实际上，工艺工程是异常复杂的，尽管通过系统分解，可以使每个子系统的变量维数大幅减少，但并不能消除系统本身所具有的非线性。并且在实际工业过程中，变量间的非线性关系往往不是用简单的非线性模型能描述的，或者说，即便可以描述，但要通过不断的补偿和修正来获取次优解，从而导致整个工艺闭环优化监测效果较差。目前，在人工智能
，神经网络是一类新的知识表达体系，具有知识的分布存储、并行处理、强容错性、非线性映射能力及很强的自学习、自适应能力等。由于神经网络具有寻优精确的特点，因此，可以利用神经网络来对工艺过程中的参数进行优化改进，但是由于神经网络训练过程中，容易陷入局部最小点等缺陷，导致工艺过程的优化失败。
技术实现思路
本专利技术要解决现有技术中由于神经网络在工艺过程优化的应用中，容易陷入局部最小值导致工艺过程优化失败的问题，从而提供一种神经网络优化方法、装置、计算机设备及存储介质。本专利技术的一方面，提供了一种神经网络优化方法，所述神经网络用于优化工艺过程，方法包括：建立所述工艺过程对应的神经网络，所述神经网络包括输入层、隐含层和输出层，其中，所述输入层的节点与所述工艺过程的参数一一对应，所述输出层节点与所述工艺过程的优化指标参数对应；利用遗传算法对所述神经网络的权值和阈值的分布进行优化，得到所述神经网络的权值和阈值的搜索区间；对所述神经网络进行训练以从所述搜索区间中确定出权值和阈值的最优解，得到训练后的神经网络。可选地，利用遗传算法对所述神经网络的权值和阈值的分布进行优化，包括：随机生成若干个个体，每个个体包括对应的神经网络的权值和阈值；计算每个个体的适应度；根据计算得到的适应度选择一部分个体作为父代个体；对所述父代个体进行遗传操作得到子代个体，计算所述子代个体的适应度；将所述子代个体中适应度高于父代个体的适应度的子代个体作为新的父代个体，替换掉父代个体中适应度低的个体。可选地，还包括：计算父代个体中所有个体的在遗传算法中的误差平方和；判断每个父代个体的误差平方和是否小于目标误差；将误差平方和小于所述目标误差的父代个体对应的权值和阈值，作为所述搜索区间的一个要素，用于进行所述神经网络的训练。可选地，在计算每个个体的适应度之前，还包括：利用实数编码对所述神经网络的权值和阈值进行编码。可选地，编码长度S为：S＝R*S1+S1*S2+S1+S2其中，R表示所述输入层的节点个数，S1表示所述隐含层的节点个数，S2表示输出层的节点个数。可选地，还包括：获取所述工艺过程的训练样本；将所述训练样本归一化处理到[-2,2]。可选地，还包括：根据所述输入层的节点数量和所述输出层的节点数量计算得到所述隐含层的节点数量区间，所述神经网络的隐含层的节点在该区间可变；通过对比所述神经网络在不同隐含层节点的训练结果的误差，确定出最优的隐含层节点数。本专利技术的另一方面，提供了一种神经网络优化装置，所述神经网络用于优化工艺过程，所述装置包括：建立单元，用于建立所述工艺过程对应的神经网络，所述神经网络包括输入层、隐含层和输出层，其中，所述输入层的节点与所述工艺过程的参数一一对应，所述输出层节点与所述工艺过程的优化指标参数对应；优化单元，用于利用遗传算法对所述神经网络的权值和阈值的分布进行优化，得到所述神经网络的权值和阈值的搜索区间；训练单元，用于对所述神经网络进行训练以从所述搜索区间中确定出权值和阈值的最优解，得到训练后的神经网络。本专利技术的另一方面，提供了一种计算机设备，包括存储器、处理器以及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现所述方法的步骤。本专利技术的另一方面，提供了一种计算机可读存储介质，其上存储有计算机程序：所述计算机程序被处理器执行时实现所述方法的步骤。本专利技术实施例，先利用遗传算法对神经网络的初始权值和阈值分布进行优化，寻找出权值和阈值的合适的搜索区间，然后再利用神经网络训练以在该搜索区间寻找最优解，从而可以避免神经网络训练过程中陷入局部最小点，可以更加有效的优化工艺生产线。附图说明为了更清楚地说明本专利技术具体实施方式或现有技术中的技术方案，下面将对具体实施方式或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图是本专利技术的一些实施方式，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。图1为本专利技术实施例中神经网络优化方法的流程图；图2为本专利技术实施例中BP神经网络的结构图；图3为本专利技术实施例中焚烧工艺线的架构图；图4为本专利技术实施例中焚烧工艺线的工艺流程图；图5为本专利技术实施例中对焚烧工艺线建立的神经网络结构图；图6为本专利技术实施例中神经网络优化装置的示意图；图7为本专利技术实施例计算机设备的硬件结构示意图。具体实施方式下面将结合附图对本专利技术的技术方案进行清楚、完整地描述，显然，所描述的实施例是本专利技术一部分实施例，而不是全部的实施例。基于本专利技术中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本专利技术保护的范围。在本专利技术的描述中，需要说明的是，术语“第一”、“第二”、“第三”仅用于描述目的，而不能理解为指示或暗示相对重要性。此外，下面所描述的本专利技术不同实施方式中所涉及的技术特征只要彼此之间未构成冲突就可以相互结合。本专利技术所述的神经网络，是指人工神经网络，属于人工智能领域。遗传算法(GeneticAlgorithm,GA)是一种基于自然选择和基因遗传学原理的群体寻优的搜索算法，是模拟达尔文的遗传选择和自然淘汰的生物进化过程建立的数学进化模型。本专利技术实施例提供了一种神经网络优化方法，其中，神经网络用于优化工艺过程，例如环保处理工艺线优化等，如图1所示，方法包括：步骤S101，建立所述工艺过程对应的神经网络，所述神经网络包括输入层、隐含层和输出层，其中，所述输入层的节点与所述工艺过程的参数一一对应，所述输出层节点与所述工艺过程的优化指标参数对应。本专利技术实施例中所述神经网络可以选择BP(backpropagation)神经网络，BP网络本文档来自技高网...

【技术保护点】
1.一种神经网络优化方法，其特征在于，所述神经网络用于优化工艺过程，所述方法包括：建立所述工艺过程对应的神经网络，所述神经网络包括输入层、隐含层和输出层，其中，所述输入层的节点与所述工艺过程的参数一一对应，所述输出层节点与所述工艺过程的优化指标参数对应；利用遗传算法对所述神经网络的权值和阈值的分布进行优化，得到所述神经网络的权值和阈值的搜索区间；对所述神经网络进行训练以从所述搜索区间中确定出权值和阈值的最优解，得到训练后的神经网络。

【技术特征摘要】
1.一种神经网络优化方法，其特征在于，所述神经网络用于优化工艺过程，所述方法包括：建立所述工艺过程对应的神经网络，所述神经网络包括输入层、隐含层和输出层，其中，所述输入层的节点与所述工艺过程的参数一一对应，所述输出层节点与所述工艺过程的优化指标参数对应；利用遗传算法对所述神经网络的权值和阈值的分布进行优化，得到所述神经网络的权值和阈值的搜索区间；对所述神经网络进行训练以从所述搜索区间中确定出权值和阈值的最优解，得到训练后的神经网络。2.根据权利要求1所述的神经网络优化方法，其特征在于，利用遗传算法对所述神经网络的权值和阈值的分布进行优化，包括：随机生成若干个个体，每个个体包括对应的神经网络的权值和阈值；计算每个个体的适应度；根据计算得到的适应度选择一部分个体作为父代个体；对所述父代个体进行遗传操作得到子代个体，计算所述子代个体的适应度；将所述子代个体中适应度高于父代个体的适应度的子代个体作为新的父代个体，替换掉父代个体中适应度低的个体。3.根据权利要求2所述的神经网络优化方法，其特征在于，还包括：计算父代个体中所有个体的在遗传算法中的误差平方和；判断每个父代个体的误差平方和是否小于目标误差；将误差平方和小于所述目标误差的父代个体对应的权值和阈值，作为所述搜索区间的一个要素，用于进行所述神经网络的训练。4.根据权利要求2所述的神经网络优化方法，其特征在于，在计算每个个体的适应度之前，还包括：利用实数编码对所述神经网络的权值和阈值进行编码。5.根据权利要求4所述的神经网络优化方法，其特征在于，...

【专利技术属性】
技术研发人员：王燕，吴奇锋，王明，
申请(专利权)人：埃睿迪信息技术北京有限公司，
类型：发明
国别省市：北京,11