基于基因调控遗传算法的RBF神经网络训练方法及预测系统技术方案

本发明专利技术提供一种基于基因调控遗传算法的RBF神经网络训练方法及预测系统，采用四进制DNA编码方式，针对遗传算法中选择、转录和变异这3个操作环节进行深入优化，提升了遗传算法的整体性能，并用该遗传优化算法对传统RBF神经网络梯度下降的寻优方式进行改进，将优化后RBF神经网络算法应用到油田注采的建模和产油量预测中，得到一套行之有效的RBF神经网络预测系统。所述训练方法通过自适应转录因子有效地避免种群早熟和局部最优解的情况，结合所述自适应变异因子增强遗传算法的局部寻优能力。同时仿真实验结果也表明基于基因调控遗传算法优化的RBF神经网络的预测系统，在逼近能力和预测精度都有明显改善，为提高油田注采过程中产油量的预测精度提供了新的研究途径。中产油量的预测精度提供了新的研究途径。中产油量的预测精度提供了新的研究途径。

【技术实现步骤摘要】
基于基因调控遗传算法的RBF神经网络训练方法及预测系统


[0001]本专利技术涉及生物智能优化算法，尤其是涉及一种基于基因调控遗传算法的RBF神经网络的训练方法及预测系统。

技术介绍

[0002]为了解决传统数学模型非线性不足、预测油田产量精度低的问题，许多的专家学者将支持向量机、机器学习、神经网络等技术应用到有油田注采建模和产油量预测中。其中神经网络模型的应用最为广泛，如韩荣、樊灵等人针对油田产量的预测问题提出了一种BP神经网络预测方法，通过对油田产量的影响因素进行分析，建立了油田注采的BP神经网络预测模型，对油田产量进行了预测，但是预测精度有待提高。为了更好地克服注采过程中各影响因素之间的非线性，有学者对采集到的数据先通过小波变换进行分析处理，然后再通过BP神经网络模型进行油田产量的预测，提高了产量预测的精度，但是模型在优化过程中训练效率较低且易陷入局部最优值。
[0003]为了进一步提升传统神经网络预测精度，很多学者将智能优化算法应用到神经网络的训练过程中，如徐辰华等人将遗传优化算法引入BP神经网络模型，有效克服了传统BP神经网络本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于基因调控遗传算法的RBF神经网络训练方法，其特征在于，包括以下步骤：步骤1：初始化RBF神经网络，采用动量梯度优化训练对所述RBF神经网络的参数优化，获得优化参数；步骤2：基于基因调控遗传算法采用四进制DNA编码方式将所述优化参数编码后产生初代种群；所述DNA编码的长度L＝5
·
(2+I)*J，所述初代种群X＝(X1,X2,X3,...,X
N
)；步骤3：确定种群的适应度值，基于基因调控遗传算法，根据所述适应度值确定自适应转录因子和自适应变异因子，对所述种群进行选择操作、转录操作和变异操作，产生新一代种群；步骤4：确定所述新一代种群的适应度值，如果满足终止条件，则进入步骤5；否则返回步骤3；步骤5：输出最优适应度值的所述DNA编码，对所述DNA编码进行解码得到所述RBF神经网络的最优参数，构建RBF神经网络最优模型；步骤6：采集样本数据，并采用小波降噪法对所述样本数据进行滤波及归一化处理，再按预设比例将处理后的样本数据分为训练集和测试集；使用所述训练集对所述RBF神经网络最优模型进行优化训练；再通过所述测试集测试后得到RBF神经网络最终模型；步骤7：输入待预测数据到RBF神经网络最终模型，得到预测结果。其中，I代表所述RBF神经网络输入节点的个数，J表示所述RBF神经网络隐含层节点的个数，N代表所述种群中包含的个体数。2.根据权利要求1所述的基于基因调控遗传算法的RBF神经网络训练方法，其特征在于，所述动量梯度优化训练具体为：b
j
(k)＝b
j
(k
‑
1)+Δb
j
(k)+α[b
j
(k
‑
1)
‑
b
j
(k
‑
2)]；c
ij
(k)＝c
ij
(k
‑
1)+Δc
ij
(k)+α[c
ij
(k
‑
1)
‑
c
ij
(k
‑
2)]；w
j
(k)＝w
j
(k
‑
1)+Δw
j
(k)+α[w
j
(k
‑
1)
‑
w
j
(k
‑
2)]；其中，X＝(x1,x2,x3,...,x
I
)表示输入数据，c
ij
表示隐含层高斯函数的中心点坐标向量，与所述输入数据的维数相同，||X
‑
c
ij
||2为所述输入数据和所述中心点坐标向量之间的欧氏距离，b
j
表示所述隐含层高斯函数的宽度；i＝1,2,3....I,表示所述RBF神经网络输入节点的序号；j＝1,2,3...J，表示所述RBF神经网络隐含层节点的序号；h
j
表示所述隐含层高斯函数的输出值：
η∈(0,1)为学习效率，同时所述η满足条件：α∈(0,1)为动量因子；k为动量梯度序号；E
k
表示误差性指标函数，w
j
表示所述隐含层到输出层的权值。3.根据权利要求2所述的基于基因调控遗传算法的RBF神经网络训练方法，其特征在于，所述选择操作具体为：前R次算法迭代时，采用轮盘赌选择法选择所述父代个体；以及从R+1次算法迭代开始，将所有所述个体按照所述适应度值从大到小进行降序排列，被选择为所述父代个体的概率p(x
s
)为：其中，R为一预设正整数值，s表示按照适应度排序后个体的序号，q表示平均适应度选择概率；其中，o表示适应度排序前个体序号，fit(x
o
)为所述目标函数在x
o
上所取得的适应度值，fit
avg
为所述适应度值fit(x
o
)的平均值。4.根据权利要求3所述的基于基因调控遗传算法的RBF神经网络训练方法，其特征在于，所述转录操作具体为：令待转录DNA基因片段的起始位置为第d个编码，所述待转录DNA基因片段表示为：X＝X
d+1
,X
...

【专利技术属性】
技术研发人员：刘宝，王君红，周培，朱滋润，
申请(专利权)人：中国石油大学华东，
类型：发明
国别省市：