基于平衡算法优化GRNN神经网络预测泡沫铜吸声系数的方法及系统技术方案

本发明专利技术公开了一种基于平衡算法优化GRNN神经网络预测泡沫铜吸声系数的方法及系统，包括如下过程：利用平衡优化算法计算GRNN神经网络中的最优光滑因子；利用最优光滑因子创建GRNN神经网络，利用泡沫铜吸声系数数据对创建的GRNN神经网络进行训练，得到最终的GRNN神经网络；利用最终的GRNN神经网络对泡沫铜的吸声系数进行预测。采用本发明专利技术的方法来预测泡沫铜吸声系数值误差较小，最大的平均相对误差为1.723％，最小的仅为0.181％。结果表明本发明专利技术所建立的平衡优化算法优化GRNN神经网络是有效可靠的。

【技术实现步骤摘要】
基于平衡算法优化GRNN神经网络预测泡沫铜吸声系数的方法及系统
本专利技术属于吸声降噪以及神经网络领域，具体涉及一种基于平衡算法优化GRNN神经网络预测泡沫铜吸声系数的方法及系统。
技术介绍
目前，泡沫铜作为吸声材料被广泛应用于吸声降噪领域。但不同结构参数的泡沫铜以及在不同频率范围下的吸声性能不同。但如何确定在特定频率范围下吸声性能最优的泡沫铜结构参数，现有最常用的方法有两种：一是通过实验来测量不同结构参数的泡沫铜在特定频率范围下的吸声系数来获得在该频率范围下相对吸声性能较为优异的泡沫铜，但该方法实验量繁重且误差很大无法准确得到最优性能的泡沫铜；二是通过模拟预测的方法来获得在特定频率范围下具有最佳吸声性能的泡沫铜。神经网络被广泛应用于吸声预测，在众多的神经网络中，广义回归神经网络(GRNN)最为一种前向神经网络，具有较强的非线性映射能力和学习速度，较其他神经网络，当样本量较小时，GRNN预测效果较好，网络也能处理不稳定的数据。但是在GRNN的建立过程中，由于无法选择最优的光滑因子值，最终的预测数据误差过大。因此，通常采用优化算法来优化G本文档来自技高网...

【技术保护点】
1.一种基于平衡算法优化GRNN神经网络预测泡沫铜吸声系数的方法，其特征在于，包括如下过程：/n利用平衡优化算法计算GRNN神经网络中的最优光滑因子；/n利用最优光滑因子创建GRNN神经网络，利用泡沫铜吸声系数数据对创建的GRNN神经网络进行训练，得到最终的GRNN神经网络；/n利用最终的GRNN神经网络对泡沫铜的吸声系数进行预测。/n

【技术特征摘要】
1.一种基于平衡算法优化GRNN神经网络预测泡沫铜吸声系数的方法，其特征在于，包括如下过程：
利用平衡优化算法计算GRNN神经网络中的最优光滑因子；
利用最优光滑因子创建GRNN神经网络，利用泡沫铜吸声系数数据对创建的GRNN神经网络进行训练，得到最终的GRNN神经网络；
利用最终的GRNN神经网络对泡沫铜的吸声系数进行预测。


2.根据权利要求1所述的一种基于平衡算法优化GRNN神经网络预测泡沫铜吸声系数的方法，其特征在于，利用平衡优化算法计算GRNN神经网络中最优光滑因子的过程包括：
获取多种不同泡沫铜的实际的吸声系数的样本集；
以获取的样本集中泡沫铜的实际的吸声系数作为初始种群，对初始种群进行初始化；
在搜索空间中，根据初始化得到的数据构造数据的初始浓度，获取初始化后数据的适应度值；
根据初始化后数据的适应度值，选取当前处于预设范围内的所有最优解；
对选取的当前处于预设范围内的所有最优解进行迭代更新浓度，得到最终的最优解，将最终的最优解作为最优光滑因子值。


3.根据权利要求2所述的一种基于平衡算法优化GRNN神经网络预测泡沫铜吸声系数的方法，其特征在于，获取多种不同泡沫铜的实际的吸声系数的样本集的过程包括：
采用渗流铸造法制备不同厚度、不同孔隙率和不同孔径的多种泡沫铜；
采用驻波管法测量每种泡沫铜在不同频率下的吸声系数，所有的吸声系数构成所述多种不同泡沫铜的实际的吸声系数的样本集。


4.根据权利要求3所述的一种基于平衡算法优化GRNN神经网络预测泡沫铜吸声系数的方法，其特征在于，泡沫铜的厚度为2～8mm，泡沫铜的孔隙率为65％-76％，泡沫铜的孔径为65×10-6-102×10-6m。


5.根据权利要求3所述的一种基于平衡算法优化...

【专利技术属性】
技术研发人员：梁李斯，郭文龙，李林波，马洪月，弥晗，张宇，米嘉毓，
申请(专利权)人：西安建筑科技大学，
类型：发明
国别省市：陕西;61