一种基于BP神经网络的光纤预制棒制备质量预测方法技术

本申请提供了一种基于BP神经网络的光纤预制棒制备质量预测方法，包括试验数据处理、构建基于BP神经网络的光纤预制棒制备质量预测模型(net)、构件遗传算法模型Genetic，对基于BP神经网络的光纤预制棒制备质量预测模型net的初始权值和阈值进行优化、将上述遗传算法优化出的权值和阈值赋给BP神经网络、BP神经网络训练、对基于BP神经网络的光纤预制棒制备质量预测模型net进行测试、根据测试误差对光纤预制棒制备质量预测模型net权值和阈值进行调整，最后得到基于BP神经网络的光纤预制棒制备质量预测模型，本发明专利技术可运用神经网络替代大量的实验劳动，节省成本，提高效率。提高效率。提高效率。

【技术实现步骤摘要】
一种基于BP神经网络的光纤预制棒制备质量预测方法


[0001]本专利技术涉及光纤预制棒生产的
，更具体地说，涉及一种基于BP 神经网络的光纤预制棒制备质量预测方法。

技术介绍

[0002]在光纤预制棒的生产领域，对于光纤预制棒制造质量方面，多采用控制变量法进行实验，而近年来，神经网络和遗传算法发展迅速，适合解决此类复杂关系，并且在材料制备、优化方面取得了较好的应用。
[0003]目前，光纤预制棒生产领域工艺优化方法还需要靠实验来进行，运用控制变量法试验不同气体组分对光纤预制棒制备质量的影响；但其需要控制的变量太多，且呈现出非线性、强耦合性等特点，要寻找较好的工艺方案就需要做大量的实验，耗费大量人力物力和时间。

技术实现思路

[0004]本专利技术目的在于弥补现有技术的不足之处，提供一种的基于BP神经网络的光纤预制棒制备质量预测方法，本申请采用的技术方案是：
[0005]一种基于BP神经网络的光纤预制棒制备质量预测方法，具体步骤为：
[0006]步骤1：收集光纤预制棒生产的原始数据，收集制备光纤预制棒时喷灯的气体流量以及与之对应的光棒质量，分别作为输入数据、输出数据；
[0007]步骤2：对收集的原始数据进行预处理，去除其中的无效数据，得到预处理数据集；无效数据是指光纤预制棒的生产条件与光棒质量异常的数据，生产中的偶然因素造成；
[0008]步骤3：对光棒质量进行评级，根据光棒的光学性能、成产光纤的传输性能、机械性能，将光棒质量分成多个等级，并根据光棒质量的等级对预处理数据集进行分组；
[0009]步骤4：采用保留法对每组数据进行分割，划分成训练集、测试集，训练集与测试集的数据量比值为7比3；
[0010]步骤5：运用mapminmax函数对训练集进行归一化处理，将训练集输入数据及训练集输出数据都归一化到
‑
1到1之间，输出归一后的输入转化数据input train和输出转化数据output train；
[0011]步骤6：构建基于BP神经网络的光纤预制棒制备质量预测模型(net)；
[0012]步骤7：构件遗传算法模型Genetic，对基于BP神经网络的光纤预制棒制备质量预测模型net的初始权值和阈值进行优化，得到最优个体x，包含优化的BP神经网络的初始权值和阈值信息；
[0013]步骤8：将上述遗传算法优化出的权值和阈值赋给BP神经网络；从遗传算法解出的最优个体x中提取优化的BP神经网络的初始权值和阈值，整理后赋值给BP神经网络；
[0014]步骤9：BP神经网络训练：设置训练参数，迭代次数100，学习效率0.05，目标精度0.00001；运用train函数，输入归一化后的输入转化数据input train 和输出转化数据
output train，完成对神经网络的训练，即完成基于BP神经网络的光纤预制棒制备质量预测模型的训练；
[0015]步骤10：运用mapminmax函数对训练集进行归一化处理，将测试集输入数据及测试集输出数据进行归一化都归一化到
‑
1到1之间，分别输出归一后的 input test和output test；
[0016]步骤11：对基于BP神经网络的光纤预制棒制备质量预测模型net进行测试；运用sim函数，将归一化处理的测试集输入数据input test带入到训练好的光纤预制棒制备质量预测模型net中进行测试，得到编码的测试结果，记为 an；将其进行解码，解码结果记为test_simu，即为光纤预制棒制备质量预测模型的测试结果；
[0017]步骤12：将此测试结果test_simu与测试集输出数据output test做差，得到光纤预制棒制备质量预测模型的测试误差；根据测试误差对光纤预制棒制备质量预测模型net权值和阈值进行调整，得到基于BP神经网络的光纤预制棒制备质量预测模型。
[0018]可选地，所述步骤6，构建基于BP神经网络的光纤预制棒制备质量预测模型(net)包括：输入层、隐藏层和输出层的三层神经网络结构；输入层到隐藏层传递函数为“tansig”，隐藏层到输出层的递函数为“purelin”；其中，所述输入层神经元的数量m与制备光纤预制棒时喷灯的气体种类数量相适应，输入层神经元分别输入与之对应的气体流量；所述输出层神经元个数为y，输出层神经元对应光棒质量等级；隐藏层神经元的个数为n，根据输入层的数量m 和输出层神经元的数量y进行调整，采用m＝(n+y)1/2+a或m＝
㏒
2n或m＝(nl) 1/2中的一个,a为1至10之间的常数中的一个。
[0019]可选地，确定隐藏层神经元的个数n，采用公式m＝(n+y)1/2+a。
[0020]可选地，步骤7，遗传算法模型(Genetic)包括步骤为：
[0021]步骤7.1：遗传算法参数初始化，根据预处理数据集数据量设置遗传算法的参数，包括迭代次数maxgen、种群规模sizepop、交叉概率pcross、变异概率pmutation；
[0022]步骤7.2：计算BP神经网络光纤预制棒质量预测模型的节点总数numsum，采用公式numsum＝m*n+n+n*y+y；设置染色体长度lenchrom及边界值bound，染色体的长度lenchrom与节点总数numsum相同；
[0023]步骤7.3：种群初始化：将上步得到的染色体长度lenchrom以及边界值 bound输入到函数code中，随机生成的染色体个体，组成种群individuals；
[0024]步骤7.4：计算适应度：将染色体个体信息及BP神经网络光纤预制棒制备质量预测模型的信息输入到适应度计算函数(fun)中，得到相应的适应度 individuals.fitness(i)；找出每一代中适应度最好的染色体bestchrom并记录此染色体信息及此最好的适应度值bestfitness和此代的平均适应度 avgfitness；
[0025]步骤7.5：选择操作：将种群信息individuals及种群数量sizpop输入到选择函数select中，输出选择后的新种群individuals；选择函数select中的选择方式(如轮盘赌法)是根据每个个体的适应度值来确定被选择的概率；
[0026]步骤7.6：交叉操作：将交叉概率pcross、染色体长度lenchrom、染色体信息chrom、种群数量sizepop输入到交叉函数cross中，得到交叉后的染色体个体chrom；交叉函数cross，按照交叉操作概率pcross从选择操作得到的新种群individuals中选出需要进行交叉操作的染色体，随机两两配对，部分基因进行交叉互换；
[0027]步骤7.7：变异操作：将变异概率pmutation、染色体长度lenchrom、染色体信息chrom、种群数量sizepop、当前迭代次数num、最大迭代次数maxgen、个体的边界bound输入到变异函数Mutation中，输本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于BP神经网络的光纤预制棒制备质量预测方法，具体步骤为：步骤1：收集光纤预制棒生产的原始数据，收集制备光纤预制棒时喷灯的气体流量以及与之对应的光棒质量，分别作为输入数据、输出数据；步骤2：对收集的原始数据进行预处理，去除其中的无效数据，得到预处理数据集；无效数据是指光纤预制棒的生产条件与光棒质量异常的数据，生产中的偶然因素造成；步骤3：对光棒质量进行评级，根据光棒的光学性能、成产光纤的传输性能、机械性能，将光棒质量分成多个等级，并根据光棒质量的等级对预处理数据集进行分组；步骤4：采用保留法对每组数据进行分割，划分成训练集、测试集，训练集与测试集的数据量比值为7比3；步骤5：运用mapminmax函数对训练集进行归一化处理，将训练集输入数据及训练集输出数据都归一化到
‑
1到1之间，输出归一后的输入转化数据input train和输出转化数据output train；步骤6：构建基于BP神经网络的光纤预制棒制备质量预测模型(net)；步骤7：构件遗传算法模型Genetic，对基于BP神经网络的光纤预制棒制备质量预测模型net的初始权值和阈值进行优化，得到最优个体x，包含优化的BP神经网络的初始权值和阈值信息；步骤8：将上述遗传算法优化出的权值和阈值赋给BP神经网络；从遗传算法解出的最优个体x中提取优化的BP神经网络的初始权值和阈值，整理后赋值给BP神经网络；步骤9：BP神经网络训练：设置训练参数，迭代次数100，学习效率0.05，目标精度0.00001；运用train函数，输入归一化后的输入转化数据input train和输出转化数据output train，完成对神经网络的训练，即完成基于BP神经网络的光纤预制棒制备质量预测模型的训练；步骤10：运用mapminmax函数对训练集进行归一化处理，将测试集输入数据及测试集输出数据进行归一化都归一化到
‑
1到1之间，分别输出归一后的input test和output test；步骤11：对基于BP神经网络的光纤预制棒制备质量预测模型net进行测试；运用sim函数，将归一化处理的测试集输入数据input test带入到训练好的光纤预制棒制备质量预测模型net中进行测试，得到编码的测试结果，记为an；将其进行解码，解码结果记为test_simu，即为光纤预制棒制备质量预测模型的测试结果；步骤12：将此测试结果test_simu与测试集输出数据output test做差，得到光纤预制棒制备质量预测模型的测试误差；根据测试误差对光纤预制棒制备质量预测模型net权值和阈值进行调整，得到基于BP神经网络的光纤预制棒制备质量预测模型。2.根据权利要求1所述的基于BP神经网络的光纤预制棒制备质量预测方法，其特征在于所述步骤6，构建基于BP神经网络的光纤预制棒制备质量预测模型(net)包括：输入层、隐藏层和输出层的三层神经网络结构；输入层到隐藏层传递函数为“tansig”，隐藏层到输出层的递函数为“purelin”；其中，所述输入层神经元的数量m与制备光纤预制棒时喷灯的气体种类数量相适应，输入层神经元分别输入与之对应的气体流量；所述输出层神经元个数为y，输出层神经元对应光棒质量等级；隐藏层神经元的个数为n，根据输入层的数量m和输出层神经元的数量y进行调整，采用m＝(n+y)
1/2
+a或m＝
...

【专利技术属性】
技术研发人员：于景明，陈卫东，孙洋，张斌，李浩源，
申请(专利权)人：宏安集团有限公司山东大学，
类型：发明
国别省市：