一种基于遗传算法的深度神经网络建模自变量降维方法技术

本发明专利技术涉及一种基于遗传算法的深度神经网络建模自变量降维方法。该方法包括：实现基于深度神经网络的射频识别定位算法，所述算法包括：利用输入自变量建立深度网络预测模型；随机产生初始串结构数据，作为遗传算法开始迭代的初始点；计算遗传算法的适应度函数，针对每一个体计算适应度函数，以优化深度神经网络的权值和阈值；逐代演化优化问题的近似最优解；输出优化结果。本发明专利技术解决了神经网络容易出现过拟合现象，从而导致所建立的模型精度低、建模时间长等问题，使得提高了所建立的模型精度，减少了建模时间，对输入自变量进行了优化选择，去除了冗余的自变量。

【技术实现步骤摘要】
一种基于遗传算法的深度神经网络建模自变量降维方法
本专利技术涉及脱硫系统
，具体地涉及一种基于遗传算法的深度神经网络建模自变量降维方法。
技术介绍
目前，在火力发电厂中，对烟气的脱硫是必不可少的一个环节。脱硫系统在运行过程中产生大量的运行数据，这些数据蕴含丰富的价值可供挖掘。而目前很多脱硫系统依然是靠运行人员凭经验对供浆量和浆液循环泵进行调节，其缺点是调节不及时、不精准。随着日益严格的环保要求，电站急需一套能够精准调节的脱硫智能控制系统。这种精准控制的系统需建立在数据驱动建模的基础上，因此对脱硫系统的历史数据进行深度学习既是环保的要求也是提高电站脱硫经济性的要求。在现实生活中，实际问题很难用线性模型进行描述。神经网络的出现大大降低了模型建立的难度和工作量。只需将神经网络看成是一个黑箱子，根据输入与输出数据，神经网络依据相关的学习规则，便可以建立相应的数学模型。但是，当数学模型的输入自变量(即影响因素)很多、输入自变量之间不是相互独立时，利用神经网络容易出现过拟合现象，从而导致所建立的模型精度低、建模时间长等问题。因此，在建立模型之前，有必要对输入自变量进行优化选择，将冗余的一些自变量去掉，选择最能反映输入与输出关系的自变量参与建棋。近年来，许多人对自变量压缩降维问题进行了深入的研究，取得了一定的成果。作为最常用的变量压缩方法，遗传算法已经在各种控制、信号处理、模式识别、金融证券、优化计算等诸多方面都得到了广泛应用。
技术实现思路
本专利技术所要解决的技术问题是提供一种基于遗传算法的深度神经网络建模自变量降维方法，解决了神经网络容易出现过拟合现象，从而导致所建立的模型精度低、建模时间长等问题，使得提高了所建立的模型精度，减少了建模时间，对输入自变量进行了优化选择，去除了冗余的自变量。具体地，本专利技术旨在解决在现实生活中，实际问题很难用线性模型进行描述。神经网络的出现大大降低了模型建立的难度和工作量。只需将神经网络看成是一个黑箱子，根据输入与输出数据，神经网络依据相关的学习规则，便可以建立相应的数学模型。但是，当数学模型的输入自变量(即影响因素)很多、输入自变量之间不是相互独立时，利用神经网络容易出现过拟合现象，从而导致所建立的模型精度低、建模时间长等问题。因此，在建立模型之前，有必要对输入自变量进行优化选择，将冗余的一些自变量去掉，选择最能反映输入与输出关系的自变量参与建模。通过本专利技术可以实现的技术目的不限于上文已经特别描述的内容，并且本领域技术人员将从下面的详细描述中更加清楚地理解本文中未描述的其他技术目的。本专利技术解决上述技术问题的技术方案如下：根据本公开的一方面，本专利技术提供一种基于遗传算法的深度神经网络建模自变量降维方法，所述方法包括：S1：利用输入自变量建立深度网络预测模型；S2：随机产生初始串结构数据，作为遗传算法开始迭代的初始点；S3：计算遗传算法的适应度函数，针对每一个体计算适应度函数，以优化深度神经网络的权值和阈值；S4：逐代演化优化问题的近似最优解；S5：输出优化结果。可选地，在如上所述的方法中，在S1中，基于全部可能与目标输出相关的输入自变量建立神经网络。可选地，在如上所述的方法中，在S3中，适应度函数选取测试集的数据误差平方和的倒数。可选地，在如上所述的方法中，S4包括选择、交叉、变异三个操作。可选地，在如上所述的方法中，在S5中，所述优化结果包括筛选后的输入自变量与适应度函数进化曲线。上述技术方案仅为本专利技术实施例的一些部分，本领域技术人员从以下本专利技术的详细描述中可以导出和理解包含了本专利技术的技术特征的各种实施例。本领域技术人员将会理解，通过本专利技术可以实现的效果不限于上文已经具体描述的内容，并且从以下详细说明中将更清楚地理解本专利技术的其他优点。附图说明被包括以提供对本专利技术的进一步理解的附图示出本专利技术的实施例，并且与说明书一起用于解释本专利技术的原理。图1为本专利技术实施例提供的一种基于遗传算法的深度神经网络建模自变量降维方法的示意图；图2为本专利技术实施例提供的一种基于遗传算法的深度神经网络建模自变量降维方法的更具体细节的示意图；图3为遗传算法优化深度神经网络的权值和阈值的实现过程；图4为采用深度神经网络的脱硫系统运行参数预测输出示意图；图5为采用深度神经网络的脱硫系统运行参数预测输出和期望输出的误差；图6为本专利技术实施例提供的方法的种群适应度函数进化曲线。具体实施方式现在将详细参考本专利技术的示例性实施例，其示例在附图中示出。下面将参考附图给出的详细描述旨在解释本专利技术的示例性实施例，而不是示出可以根据本专利技术实现的唯一实施例。以下详细描述包括具体细节以便提供对本专利技术的透彻理解。然而，对于本领域技术人员来说显而易见的是，可以在没有这些具体细节的情况下实践本专利技术。在一些情况下，已知的结构和设备被省略或以框图形式示出，集中于结构和设备的重要特征，以免模糊本专利技术的概念。在整个说明书中将使用相同的附图标记来表示相同或相似的部分。以下结合附图对本专利技术的原理和特征进行描述，所举实例只用于解释本专利技术，并非用于限定本专利技术的范围。在本专利技术的描述中，需要理解的是，术语“上”、“下”、“中心”、“内”、“外”、“顶”、“底”等指示的方位或位置关系为基于附图所示的方位或位置关系，仅是为了便于描述本专利技术和简化描述，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此不能理解为对本专利技术的限制。在本专利技术的描述中，需要说明的是，除非另有明确的规定和限定，术语“安装”、“相连”、“连接”应做广义理解，例如，可以是固定连接，也可以是可拆卸连接，或一体地连接；可以是机械连接，也可以是电连接；可以是直接相连，也可以通过中间媒介间接相连，可以是两个元件内部的连通。对于本领域的普通技术人员而言，可以具体情况理解上述术语在本专利技术中的具体含义。图1示出了本专利技术实施例提供的一种基于遗传算法的深度神经网络建模自变量降维方法的示意图。本专利技术提供一种基于遗传算法的深度神经网络建模自变量降维方法，所述方法包括：S1：利用输入自变量建立深度网络预测模型；S2：随机产生初始串结构数据，作为遗传算法开始迭代的初始点；S3：计算遗传算法的适应度函数，针对每一个体计算适应度函数，以优化深度神经网络的权值和阈值(具体地如图3所示)；S4：逐代演化优化问题的近似最优解；S5：输出优化结果。根据本专利技术的实施例，在S1中，基于全部可能与目标输出相关的输入自变量建立神经网络。根据本专利技术的实施例，在S3中，适应度函数选取测试集的数据误差平方和的倒数。根据本专利技术的实施例，如果深度神经网络的权值和阈值满足优化准则，则可以输出优化结果，不满足优化准则，则S4进一步包括选择、交叉、变异三个操作，然后返回S2以产生初始串结构数据(初始种群)。根据本专利技术的实施例，在S5中，所述优化结果包括筛选后的输入自变量与适应度函数进化曲线。根据本本文档来自技高网...

【技术保护点】
1.一种基于遗传算法的深度神经网络建模自变量降维方法，其特征在于，所述方法包括：/nS1：利用输入自变量建立深度网络预测模型；/nS2：随机产生初始串结构数据，作为遗传算法开始迭代的初始点；/nS3：计算遗传算法的适应度函数，针对每一个体计算适应度函数，以优化深度神经网络的权值和阈值；/nS4：逐代演化优化问题的近似最优解；/nS5：输出优化结果。/n

【技术特征摘要】
1.一种基于遗传算法的深度神经网络建模自变量降维方法，其特征在于，所述方法包括：
S1：利用输入自变量建立深度网络预测模型；
S2：随机产生初始串结构数据，作为遗传算法开始迭代的初始点；
S3：计算遗传算法的适应度函数，针对每一个体计算适应度函数，以优化深度神经网络的权值和阈值；
S4：逐代演化优化问题的近似最优解；
S5：输出优化结果。


2.根据权利要求1所述的方法，...

【专利技术属性】
技术研发人员：王铁民，王子润，
申请(专利权)人：大唐环境产业集团股份有限公司，
类型：发明
国别省市：北京;11