[发明专利]基于改进型BP神经网络的煤热解产物的预测方法

摘要

基于改进型BP神经网络的煤热解产物的预测方法，采用煤的工业分析、元素分析数据及热解温度实现对煤热解产物的准确预测，本发明运用粒子群算法PSO结合遗传算法GA的方法对BP神经网络的初始权值、阈值进行优化，而后在BP神经网络的运算过程中嵌入自适应学习率，本发明通过PSO算法与GA算法来提高BP神经网络的稳定性，同时借助附加自适应学习率的方式实现BP神经网络的快速收敛，进而提高了BP神经网络的运算效率和预测数据的预测精度。本发明具有模型简单、易操作、预测精度高、现阶段利于推广等优点。

主权项

1.一种基于改进型BP神经网络的煤热解产物的预测方法，其特征在于由以下步骤组成：(1)采集不同产地的煤在不同热解温度下所对应的煤热解产物为学习样本，选取至少一个产地的煤在不同热解温度下所对应的煤热解产物为预测样本，预测样本不包含在学习样本内；将学习样本和预测样本中煤的工业分析和元素分析数据中影响煤热解的参数及热解温度作为输入，以煤热解产物作为输出，确定网络的拓扑结构，并得到初始权值、阈值的长度；(2)根据学习样本和预测样本构建特征矩阵，并进行归一化处理，如下：式中，xi代表输入数据；xmin代表数据序列中的最小值；xmax代表数据序列中的最大值；(3)初始化算法参数，包括粒子群规模sizepop、最大进化次数Maxiter、交叉概率Pc、变异概率Pm、学习率η，目标误差E0、最大运算次数MaxE，同时限定粒子的速度范围[Vmin，Vmax]和位置范围[Xmin，Xmax]；(4)初始化粒子群中每一个粒子的速度V和位置X，并计算每一个粒子的适应度值；(5)更新粒子群中每一个粒子的速度和位置按如下公式进行：式中，vid为在d维搜索空间第i个粒子的飞行速度，xid为第i个粒子在d维搜索空间的位置，qid为在d维空间第i个粒子的历史最佳位置，qgd为在d维空间粒子群体的历史最佳位置，r1、r2为[0，1]之间的随机数；c1、c2为加速因子，c1＝c2取值为0.5～2.5；t为迭代次数，ω为惯性权重，ω取值为0.5～1；(6)对更新后的粒子计算适应度，进行遗传操作，找出优秀粒子a、选择：基于粒子适应度比例的形式进行选择，每个粒子被选择的概率pi为：式中，表示第i个粒子的适应度值，N为样本个数，K为输出层节点数，d_ik为第i个样本的第k个期望输出值，a_ik为第i个样本的第k个实际网络输出值，M为粒子群的粒子数目；b、交叉：基于上述选择操作中符合设定交叉概率Pc的粒子，通过交叉算子对粒子进行两两信息交换重组，产生新的粒子群；c、变异：依据设定的变异概率Pm，在新的粒子群中选出一个粒子，选择该粒子中的一点进行变异，产生新粒子；(7)对步骤(6)选出的新粒子进行适应度评价，保留该次迭代中的最优粒子，返回步骤(5)进行迭代，对迭代后的新粒子进行适应度评价，得到全局最优粒子；(8)对全局最优粒子解码得到最优的权值、阈值；(9)将得到的最优的权值、阈值赋给附加自适应学习率的BP算法，在网络运行过程中根据网络运行的均方误差自动调节学习率，当网络的均方误差＜最初设置的目标均方误差或者网络运行次数达到设定的最大运行次数时，网络结束运行，并输出预测样本的权值、阈值；(10)提取步骤(2)中特征矩阵中的预测样本及步骤(9)中预测样本的权值、阈值，依据预测样本的输入参数，计算出预测样本的输出y式中，w1为预测样本的输入层到隐含层之间的权值、w2为预测样本的隐含层到输出层的权值，b1为预测样本隐含层的阈值、b2为预测样本输出层的阈值，X为预测样本的输入参数，a为系数；(11)对步骤(10)预测样本的输出y值进行反归一化，得到预测煤样的产物收率。