基于遗传算法的BP神经网络对铁水硅的预测

基于遗传算法的BP神经网络对铁水硅的预测

官进1,2贾学勇1,3刘陈帅1,2门晓君1,4

1.华北理工大学数学建模创新实验室河北省唐山市063210

2.华北理工大学理学院河北省唐山市063210

3.华北理工大学电气工程学院河北省唐山市063210

4.华北理工大学理学院河北省唐山市063210

摘要：在炼铁过程中，保持合理的炉温水平是达到炉况稳定顺利、实现高炉生产“优质、高产、长寿、低耗”的直接保证。一般通过预测铁水硅含量来间接地反映炉内温度的变化，判读高炉炉缸热状态。本研究提出将BP神经网络与遗传算法（GA）相结合，建立GA-BP网络模型。

关键词：铁水硅含量；神经网络；遗传算法；BP算法

引言

BP（误差反向传播网络）算法是目前网络训练最常用的学习方法之一，它存在两个突出的弱点，即收敛速度慢和可能收敛到局部极小点。这是由于在BP算法中网络权值依赖于准则函数的一阶导数信高炉铁水硅含量是描述贴水质量和炉缸热状态的重要指标。高炉冶炼过程高温、复杂、多变、，各种原、燃料的波动以及操作制度的变化均能够引起硅含量的改变。通常铁水硅含量的测量在出铁后进行，在时间上滞后。预测铁水硅含量，提前了解炉况的变化趋势，对实现高炉生产的优质、高效、低耗及顺行有重要的意义。

1遗传算法

遗传算法的操作对象是一个一群二进制串和十进制串（称为染色体或个体），即群体。这里每一个个体都对应问题的一个解。从初始群体开始，采用基于适应度值比例的选择策略在当前群体中选择个体，使用编译和交叉来产生下一代群体。如此模仿生命的进化一代代演化下去，知道满足期望的终止条件为止。

遗传算法包括三个基本操作:选择、交叉和变异。

1.1选择

作为一种算子，选择操作在遗传算法中有多种方法，其中最简单一种方法就是采用和适应度值成比例的概率方法来进行选择。具体地说，就是首先计算群体中所有个体总和，在计算每个个体的适应度所占的比例，并以此作为相应的选择概率。

1.2交叉和基因重组

在生物的自认进化过程中，两个同源染色体通过交配而重组，形成新体，从而产生新的个体或物种。交配重组是生物遗传和进化过程中主要环节。模仿这个环节，在遗传算法中也使用交叉算子来产生新的个体。

1.3变异

在遗传算法中变异是一个重要的操作，该算子的实现方法如下：对于群体的某个个体，即基因链码，随机选取某一位，将其翻转（0改成1，1改成0）。在遗传算法中使用变异算子主要目的是改善遗传算法的局部搜索能力与维持种群的多样性，防止出现早熟现象。变异算子的设计包括如何确定变异点的位置和如何进行基因值替换。

遗传算法的实现主要有六个因素：参数的编码、初始种群的设定、适应度函数的设计、遗传操作、算法控制参数的设定、约束条件的处理。

2BP神经网络

2.1交叉和基因重组

BP人工神经网络算法是应用最多算法，其由输入层、隐含层、和输出层组成。BP人工神经网络的特点是层与层之间采用了完全互联的连接方式，相同层不同的单元之间则不互相连接。在BP人工神经网络中会有若干个隐含层位于输入层和输出层之间。相邻层神经元间存在仅有的联系，通过函数对输入a进行某种运算，最后得到输出b。

BP算法的具体步骤如下：

1)初始化，为每一层的权重系数等赋随机值；

2)使训练样本的输入X和输出Y作为网络输入和输出，计算期望输出与实际输出的误差信号；

3)根据上一步所得的误差信号连接权重系数进行调整；

4)如果小于预定误差，则停止学习，反之则返回（2）并继续学习（3）。

2.2隐含层的确定

在本研究中，隐含层为一层。隐含层神经元数代表网络的非线性程度，须合理选择。隐含层神经元数太少会影响网络的效果，同时会影响网络在输入层提取有价值的特征。网络可能训练不出来，或网络不“强壮”，容错性差。但隐含层神经元数太多又使学习时间过长，误差也不一定最佳。确定隐含层神经元个数目前尚无理论依据，一般根据经验公式或试验法来确定。

3遗传算法与BP神经网络的结合

将遗传算法与BP算法结合，混合训练神经网络连接权值的具体步骤如下:

(1)种群初始化：随机产生N组在不同实数区间内取值的初始网络权值。在高炉炼铁输入输出变量已知的情况下，便能构成一个网络结构、权值、阈值确定的网络。

(2)适应度函数：首先由每个个体可以得到BP神经网络的初始权值和阈值。接着用训练数据训练网络后，从而得到系统的预测值。把预测值和期望值之间的误差的绝对值作为体的适应度。

(3)选择操作：本文选择操作是采用适应度比例法。

(4)交叉操作：个体选择实数编码。

(5)变异操作：选取第i个个体的第j个基因，进行变异操作。

(6)BP算法部分：遗传算法部分获得最优权值和阈值。通过计算误差的网络学习算法，实时更新权值和阈值，最终获得最优结果。

4实验数据收集和变量设置

4.1实验数据的收集

本研究中数据来源某赛题[Si]-[S]-FL-PML依序号排列的1000炉大数据。由于受到仪表精度、可靠性、现场测量环境、炉温状况以及人为因素的影响，“智能控制专家系统”在线采集的数据会出现异常情况，需剔除异常和不完整数据。如果用这些数据预测，会导致预测成功率降低。而且输入变量众多且相互影响，必须对数据样本进行处理，要对原始数据做剔除、归一化和相关性分析。

4.2预测结果与分析

BP神经网络预测模型的结果可以看出效果不好，不能够准确预测铁水硅含量。根据基于遗传算法建立铁水硅含量预测模型可以看出，遗传算法优化BP神经网络预测值与实际值较接近，这比BP神经网络预测结果要好。

采用GA-BP神经网络模型，所述的输入输出参数以及学习样本，在高炉炉况基本平衡的情况下，采用某题目中所给现场数据进行数据预处理后的932个样本。其中922个样本作为学习样本进行学习，另外10个样本用于检验网络的预测结果。

对该网络进行了仿真实验，经过667次学习后，对另外250个样本进行检验，当命中范围在时，起命中率为。该模型能大幅度提高离线学习速度，缩短学习速度，缩短学习实践；但从命中情况来看，硅含量预报命中率低于我们所希望获得的预报命中率，可以看出该BP网络仅收敛于局部，只获得了次优解，而引入遗传算法后有明显的优势。

5结论

BP（误差反向传播）算法是目前网络训练最常用的学习方法之一，它存在着两个突出的弱点，即收敛速度慢和可能收敛到局部小点。为此，本文结合遗传算法和BP学习算法两者的优点，先利用遗传算法搜索出近似最优解，然后把它作为BP学习算法的初始值，混合训练神经网络，产生一种新的高效率、高精度的神经网络混合学习算法，用以建立高炉铁水硅含量预测模型。

参考文献

[1]杨志宇.基于集成模糊神经网络的铁水硅含量预测系统[D].沈阳建筑大学,2014.

[2]朱文龙.基于遗传算法的BP神经网络在多目标优化中的应用研究[D].哈尔滨理工大学,2009.