CN115271167B - 基于bp神经网络的轮胎硫化质量rfv指标预测方法和系统 - Google Patents

基于bp神经网络的轮胎硫化质量rfv指标预测方法和系统 Download PDF

Info

Publication number
CN115271167B
CN115271167B CN202210719846.5A CN202210719846A CN115271167B CN 115271167 B CN115271167 B CN 115271167B CN 202210719846 A CN202210719846 A CN 202210719846A CN 115271167 B CN115271167 B CN 115271167B
Authority
CN
China
Prior art keywords
whale
neural network
individual
population
rfv
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Active
Application number
CN202210719846.5A
Other languages
English (en)
Other versions
CN115271167A (zh
Inventor
胡小建
王跃
王之海
尹文龙
王韵玥
赵跃东
郑哲
吴小松
宋旭东
郭警中
罗毅
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Anhui Wdt Industrial Automation Co ltd
Hefei University of Technology
Original Assignee
Anhui Wdt Industrial Automation Co ltd
Hefei University of Technology
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Anhui Wdt Industrial Automation Co ltd, Hefei University of Technology filed Critical Anhui Wdt Industrial Automation Co ltd
Priority to CN202210719846.5A priority Critical patent/CN115271167B/zh
Publication of CN115271167A publication Critical patent/CN115271167A/zh
Application granted granted Critical
Publication of CN115271167B publication Critical patent/CN115271167B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/004—Artificial life, i.e. computing arrangements simulating life
    • G06N3/006—Artificial life, i.e. computing arrangements simulating life based on simulated virtual individual or collective life forms, e.g. social simulations or particle swarm optimisation [PSO]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G06N3/084—Backpropagation, e.g. using gradient descent
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
    • G06Q10/063—Operations research, analysis or management
    • G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
    • G06Q10/06393—Score-carding, benchmarking or key performance indicator [KPI] analysis
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
    • G06Q10/063—Operations research, analysis or management
    • G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
    • G06Q10/06395—Quality analysis or management
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
    • G06Q50/04—Manufacturing
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
    • Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
    • Y02P90/30—Computing systems specially adapted for manufacturing

Landscapes

  • Business, Economics & Management (AREA)
  • Engineering & Computer Science (AREA)
  • Human Resources & Organizations (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Economics (AREA)
  • Strategic Management (AREA)
  • General Physics & Mathematics (AREA)
  • Development Economics (AREA)
  • Entrepreneurship & Innovation (AREA)
  • General Business, Economics & Management (AREA)
  • Tourism & Hospitality (AREA)
  • Marketing (AREA)
  • Educational Administration (AREA)
  • Operations Research (AREA)
  • General Health & Medical Sciences (AREA)
  • Game Theory and Decision Science (AREA)
  • Health & Medical Sciences (AREA)
  • Quality & Reliability (AREA)
  • General Engineering & Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Computational Linguistics (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Biophysics (AREA)
  • Biomedical Technology (AREA)
  • Artificial Intelligence (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Primary Health Care (AREA)
  • Manufacturing & Machinery (AREA)
  • Heating, Cooling, Or Curing Plastics Or The Like In General (AREA)

Abstract

本发明提供一种基于BP神经网络的轮胎硫化质量RFV指标预测方法和系统，涉及神经网络预测技术领域。本发明通过基于模拟退火的鲸鱼算法优化BP神经网络，加强鲸鱼算法局部搜索能力的同时，也使算法具有跳出局部最优解的能力，算法最后获得的解也更加准确有效，提升RFV指标的预测精度。

Description

基于BP神经网络的轮胎硫化质量RFV指标预测方法和系统
技术领域
本发明涉及神经网络预测技术领域，具体涉及一种基于BP神经网络的轮胎硫化质量RFV指标预测方法、系统、存储介质及电子设备。
背景技术
RFV(径向力波动)是指负荷轮胎在固定负荷半径和恒定速度下，每转1周自身反复出现的径向力最大波动值。该指标与轮胎高速噪声有直接关系。为了改善噪声问题，需要优化轮胎的硫化过程。在实际生产中，由于橡胶硫化过程具有不确定性和复杂性，难以确定使性能指标达到要求的硫化工艺参数的最佳组合，因此实际生产中主要靠经验确定硫化工艺条件，且需要反复调整和试验，耗时费力。
为解决试验耗时费力这一问题，现有方法通过鲸鱼算法和BP神经网络建立硫化工艺参数与RFV指标的网络模型，对RFV指标和硫化工艺参数进行预测与优化。
然而，现有方法中因鲸鱼优化算法容易陷入局部最优解，导致RFV指标的预测精度较低。
发明内容
(一)解决的技术问题
针对现有技术的不足，本发明提供了一种基于BP神经网络的轮胎硫化质量RFV指标预测方法和系统，解决了现有方法中因鲸鱼优化算法容易陷入局部最优解，导致RFV指标的预测精度较低的技术问题。
(二)技术方案
为实现以上目的，本发明通过以下技术方案予以实现：
第一方面，本发明提供一种基于BP神经网络的轮胎硫化质量RFV指标预测方法，包括以下步骤：
S1、获取轮胎硫化工艺参数与轮胎质量指标径向力波动值RFV的历史数据；
S2、对所述历史数据进行归一化处理；结合经验公式，通过处理后的历史数据对神经网络进行训练，得到神经网络误差最小值，基于神经网络误差最小值，确定BP神经网络模型的拓扑结构；
S3、基于鲸鱼算法，针对轮胎硫化质量RFV指标预测场景初始化BP神经网络模型的参数；
S4、将鲸鱼个体位置作为BP神经网络模型的初始权重和阈值，BP神经网络模型的训练误差值作为适应度函数进行遍历；
S5、将鲸鱼进行搜索猎物、包围猎物或驱赶猎物并更新当前种群鲸鱼个体位置，得到原始种群；
S6、定义并随机初始化新种群，计算新种群和原始种群中鲸鱼个体适应度值并进行比较，得到最优的鲸鱼个体位置；进行退温操作，之后满足达到最大迭代数时，即停止迭代寻优并输出鲸鱼的最优的鲸鱼个体位置，否则返回到步骤S4重新执行；
S7、将最优的鲸鱼个体位置赋值给BP神经网络模型的最佳权重和阈值，进行网络训练，得到优化后的BP神经网络模型，通过优化后的BP神经网络模型获取RFV指标预测结果。
优选的，所述结合经验公式，通过处理后的历史数据对神经网络进行训练，得到神经网络误差最小值，基于神经网络误差最小值，确定BP神经网络模型的拓扑结构，包括：
结合经验公式，对处理后的数据进行神经网络训练，根据得到的神经网络误差最小值，确定BP神经网络模型的拓扑结构，经验公式如下：
Figure BDA0003710855860000031
其中，n为隐藏节点数，n1为输入层节点数，n2为输出层结点数，c为区间[1，10]的常数；
通过经验公式得到一组隐藏层节点数，分别带入神经网络计算各隐藏层节点数所对应的神经网络误差值，比较得到最小误差值，选取该值对应的隐藏层节点数作为最终的隐藏层节点数，从而确定BP神经网络模型的拓扑结构。
优选的，所述基于鲸鱼算法，针对轮胎硫化质量RFV指标预测场景初始化BP神经网络模型的参数，包括：
针对轮胎硫化质量RFV指标预测场景下初始化模型参数，设置鲸鱼数量N，最大迭代次数为I，初始退火温度为tem，以及初始化参数A、a、C，计算公式如下：
a＝2-2*(i/I)
A＝2ar1-a
C＝2r2
其中，a为收敛因子，随迭代次数从2递减到0，i为当前迭代次数，I为最大迭代次数；A和C为协同系数向量，r1和r2均为(0，1)的随机数。
优选的，所述将鲸鱼个体位置作为BP神经网络模型的初始权重和阈值，BP神经网络模型的训练误差值作为适应度函数进行遍历，包括：
将训练误差值error作为鲸鱼种群适应度值，计算出鲸鱼种群的最小适应度值以及最佳鲸鱼个体位置，将最佳鲸鱼个体位置作为BP神经网络模型的初始权重和阈值，根据梯度下降法更新权重和阈值，更新公式如下：
Figure BDA0003710855860000041
Figure BDA0003710855860000042
Figure BDA0003710855860000043
Figure BDA0003710855860000044
其中：μ为BP神经网络的学习率，ω1、b1分别为BP神经网络中输入层与隐藏层间的权重和阈值，ω2、b2分别为BP神经网络中隐藏层与输出层间的权重和阈值，ω′1、b′1分别为ω1、b1更新后的权重与阈值，ω′2、b′2分别为ω2、b2更新后的权重与阈值。
优选的，将鲸鱼进行搜索猎物、包围猎物或驱赶猎物并进行位置更新，包括：
S501、生成一个0到1的随机数p，来决定鲸鱼选择寻找和包围猎物还是使用气泡网追赶，若p<0.5则执行步骤S502，否则，执行步骤S503；
S502、鲸鱼群通过制造气泡网的方式来驱赶猎物，在一个不断缩小的圆圈内绕着猎物游动，同时沿着螺旋形路径游动并更新位置，位置更新公式如下：
Figure BDA0003710855860000051
Figure BDA0003710855860000052
其中，
Figure BDA0003710855860000053
表示鲸鱼个体与当前最优解之间的距离，
Figure BDA0003710855860000054
是i时刻猎物的位置，
Figure BDA0003710855860000055
是i时刻鲸鱼个体的位置，l为[-1，1]之间的随机数；
S503、当|A|>1时，鲸鱼进行全局搜索猎物并更新位置；当|A|<1时，鲸鱼进行局部搜索猎物并更新位置。
优选的，所述当|A|>1时，鲸鱼进行全局搜索猎物并更新位置；当|A|<1时，鲸鱼进行局部搜索猎物并更新位置，包括：
当|A|>1时，鲸鱼群会进行随机寻找猎物阶段，即鲸鱼群会随机选择一个鲸鱼个体，并向当前随机鲸鱼个体更新鲸鱼群的位置；
Figure BDA0003710855860000056
Figure BDA0003710855860000057
其中，
Figure BDA0003710855860000058
表示为当前选择的随机鲸鱼个体与其他鲸鱼个体间的距离，
Figure BDA0003710855860000059
是i时刻随机一个鲸鱼个体的位置，
Figure BDA00037108558600000510
是i时刻其他鲸鱼个体的位置，
Figure BDA00037108558600000511
是随机向量。
当|A|<1时，鲸鱼群会进行包围猎物阶段，即鲸鱼群会向当前最优鲸鱼个体进行局部搜索猎物并更新位置；
Figure BDA00037108558600000512
Figure BDA0003710855860000061
其中，
Figure BDA0003710855860000062
表示为当前最优鲸鱼个体与其他鲸鱼个体间的距离，
Figure BDA0003710855860000063
是i时刻最优鲸鱼个体的位置，
Figure BDA0003710855860000064
是i时刻其他鲸鱼个体的位置，
Figure BDA0003710855860000065
Figure BDA0003710855860000066
是随机向量。
优选的，所述定义并随机初始化新种群，计算新种群和原始种群中鲸鱼个体适应度值并进行比较，得到最优的鲸鱼个体位置，包括：
定义并随机初始化新种群，计算适应度，将新种群适应度值与原始种群相比较，若新种群个体适应度小于原始种群，则将新种群的个体位置替换原始种群的个体位置，反之，以概率公式计算的概率θ接受新种群的个体位置，得到最优的鲸鱼个体位置；
Figure BDA0003710855860000067
其中，概率公式表示新种群鲸鱼个体适应度劣于原始种群鲸鱼个体时的调整概率，fsa(Xj)为新种群第j个鲸鱼个体的适应度值，f(Xj)为原始种群第j个鲸鱼个体的适应度值，tem代表当前退火温度。
第二方面，本发明提供一种基于BP神经网络的轮胎硫化质量RFV指标预测系统，所述系统包括：
数据获取模块，用于执行步骤S1、获取轮胎硫化工艺参数与轮胎质量指标径向力波动值RFV的历史数据；
模型结构确定模块，用于执行步骤S2、对所述历史数据进行归一化处理；结合经验公式，通过处理后的历史数据对神经网络进行训练，得到神经网络误差最小值，基于神经网络误差最小值，确定BP神经网络模型的拓扑结构；
初始化参数模块，用于执行步骤S3、基于鲸鱼算法，针对轮胎硫化质量RFV指标预测场景初始化BP神经网络模型的参数；
遍历模块，用于执行步骤S4、将鲸鱼个体位置作为BP神经网络模型的初始权重和阈值，BP神经网络模型的训练误差值作为适应度函数进行遍历；
位置更新模块，用于执行步骤S5、将鲸鱼进行搜索猎物、包围猎物或驱赶猎物并更新当前种群鲸鱼个体位置，得到原始种群；
寻优退火模块，用于执行步骤S6、定义并随机初始化新种群，计算新种群和原始种群中鲸鱼个体适应度值并进行比较，得到最优的鲸鱼个体位置；进行退温操作，之后满足达到最大迭代数时，即停止迭代寻优并输出鲸鱼的最优的鲸鱼个体位置，否则返回遍历模块重新执行步骤S4；
预测模块，用于执行步骤S7、将最优的鲸鱼个体位置赋值给BP神经网络模型的最佳权重和阈值，进行网络训练，得到优化后的BP神经网络模型，通过优化后的BP神经网络模型获取RFV指标预测结果。
第三方面，本发明提供一种计算机可读存储介质，其存储用于基于鲸鱼算法优化BP神经网络的轮胎硫化质量RFV指标预测的计算机程序，其中，所述计算机程序使得计算机执行如上述所述的基于BP神经网络的轮胎硫化质量RFV指标预测方法。
第四方面，本发明提供一种电子设备，包括：
一个或多个处理器；
存储器；以及
一个或多个程序，其中所述一个或多个程序被存储在所述存储器中，并且被配置成由所述一个或多个处理器执行，所述程序包括用于执行如上述所述的基于BP神经网络的轮胎硫化质量RFV指标预测方法。
(三)有益效果
本发明提供了一种基于BP神经网络的轮胎硫化质量RFV指标预测方法和系统。与现有技术相比，具备以下有益效果：
本发明采用神经网络进行轮胎硫化后的RFV指标预测，比传统硫化实验数据分析预测更快更高效，而且即可为后续优化工艺提供模型基础，又可实现硫化结果可视化。同时，本发明通过基于模拟退火的鲸鱼算法优化BP神经网络，加强鲸鱼算法局部搜索能力的同时，也使算法具有跳出局部最优解的能力，算法最后获得的解也更加准确有效，提升RFV指标的预测精度。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1为本发明实施例中基于BP神经网络的轮胎硫化质量RFV指标预测方法的框图；
图2为本发明实施例中改进鲸鱼算法的流程示意图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
本申请实施例通过提供一种基于BP神经网络的轮胎硫化质量RFV指标预测方法和系统，解决了现有方法中因鲸鱼优化算法容易陷入局部最优解，导致RFV指标的预测精度较低的技术问题，利用模拟退火算法使整个算法具有跳出局部最优解的能力，改善了鲸鱼算法在优化过程中出现陷入局部最优的这一缺点，实现提升RFV指标预测结果的准确度。
本申请实施例中的技术方案为解决上述技术问题，总体思路如下：
现有方法通过鲸鱼算法和BP神经网络建立硫化工艺参数与RFV指标的网络模型，对RFV指标和硫化工艺参数进行预测与优化，解决了传统的试验方法耗时费力的问题。然而，因鲸鱼优化算法容易陷入局部最优解，导致RFV指标的预测精度较低。为解决这一问题，本发明实施例利用模拟退火算法使整个算法具有跳出局部最优解的能力，提升RFV指标的预测精度。
为了更好的理解上述技术方案，下面将结合说明书附图以及具体的实施方式对上述技术方案进行详细的说明。
本发明实施例提供一种基于BP神经网络的轮胎硫化质量RFV指标预测方法，如图1所示，该方法包括：
S1、获取轮胎硫化工艺参数与轮胎质量指标径向力波动值RFV的历史数据；
S2、对所述历史数据进行归一化处理；结合经验公式，通过处理后的历史数据对神经网络进行训练，得到神经网络误差最小值，基于神经网络误差最小值，确定BP神经网络模型的拓扑结构；
S3、基于鲸鱼算法，针对轮胎硫化质量RFV指标预测场景初始化BP神经网络模型的参数；
S4、将鲸鱼个体位置作为BP神经网络模型的初始权重和阈值，BP神经网络模型的训练误差值作为适应度函数进行遍历；
S5、将鲸鱼进行搜索猎物、包围猎物或驱赶猎物并更新当前种群鲸鱼个体位置，得到原始种群；
S6、定义并随机初始化新种群，计算新种群和原始种群中鲸鱼个体适应度值并进行比较，得到最优的鲸鱼个体位置；进行退温操作，之后满足达到最大迭代数时，即停止迭代寻优并输出鲸鱼的最优的鲸鱼个体位置，否则返回到步骤S4重新执行；
S7、将最优的鲸鱼个体位置赋值给BP神经网络模型的最佳权重和阈值，进行网络训练，得到优化后的BP神经网络模型，通过优化后的BP神经网络模型获取RFV指标预测结果。
本发明实施例通过基于模拟退火的鲸鱼算法优化BP神经网络，加强鲸鱼算法局部搜索能力的同时，也使算法具有跳出局部最优解的能力，算法最后获得的解也更加准确有效，提升RFV指标的预测精度。
下面对各个步骤进行详细描述：
在步骤S1中，获取轮胎硫化工艺参数与轮胎质量指标径向力波动值RFV的历史数据。具体实施过程如下：
通过MES系统收集获取轮胎硫化工艺参数(硫化温度t，硫化时间T，硫化压力F)的历史数据与轮胎质量指标径向力波动值RFV的历史数据。
在步骤S2中，对所述历史数据进行归一化处理；结合经验公式，通过处理后的历史数据对神经网络进行训练，得到神经网络误差最小值，基于神经网络误差最小值，确定BP神经网络模型的拓扑结构。具体实施过程如下：
S201、对所述历史数据进行归一化处理，其归一化处理的公式如下；
Figure BDA0003710855860000111
其中：X为历史数据中归一化前的各个变量，即硫化温度t，硫化时间T，硫化压力F以及径向力波动值RFV；max(X)、min(X)分别为历史数据的最大值和最小值Y为归一化后的变量，归一化后变量符号不变。
需要说明的是，各类数据分别进行归一化处理。
S202、根据神经网络的误差最小值，计算BP神经网络的隐藏层节点数，确定BP神经网络模型的拓扑结构。具体实施过程如下：
根据经验公式计算的节点数区间，结合网络训练计算神经网络的误差最小值，来确定BP神经网络的隐藏层节点数，经验公式如下：
Figure BDA0003710855860000121
其中，n为隐藏节点数，n1为输入层节点数，n2为输出层结点数，c为区间[1，10]的常数。由此得出隐藏层n取[3，12]中的整数，经计算，取隐藏层数n＝6的时候，神经网络误差值最小，由此建立一个3×6×4的BP神经网络结构。在具体实施过程中，将n取[3，12]中每一个数，分别代入BP神经网络进行训练，得出与之对应的误差值，取最小误差值对应的n值，即为所取隐藏层数，这一步已经省略并直接得出，后面使用的都是该参数值。需要说明的是，训练过程中，以硫化温度t，硫化时间T，硫化压力F作为BP神经网络模型的输入，质量指标数据作为BP神经网络模型的输出。
在步骤S3中，基于鲸鱼算法，针对轮胎硫化质量RFV指标预测场景初始化BP神经网络模型的参数。具体实施过程如下：
针对轮胎硫化质量RFV指标预测场景下初始化模型参数，设置鲸鱼数量N，最大迭代次数为I，初始退火温度为tem，以及初始化参数A、a、C。计算公式如下：
a＝2-2*(i/I)
A＝2ar1-a
C＝2r2
其中，a为收敛因子，随迭代次数从2递减到0，i为当前迭代次数，I为最大迭代次数；A和C为协同系数向量，r1和r2均为(0,1)的随机数。
在步骤S4中，将鲸鱼个体位置作为BP神经网络模型的初始权重和阈值，BP神经网络模型的训练误差值作为适应度函数进行遍历。具体实施过程如下：
将训练误差值error作为鲸鱼种群适应度值，计算出鲸鱼种群的最小适应度值以及最佳鲸鱼个体位置，将最佳鲸鱼个体位置作为BP神经网络模型的初始权重和阈值，根据梯度下降法更新权重和阈值，更新公式如下：
Figure BDA0003710855860000131
Figure BDA0003710855860000132
Figure BDA0003710855860000133
Figure BDA0003710855860000134
其中：μ为BP神经网络的学习率，ω1、b1分别为BP神经网络中输入层与隐藏层间的权重和阈值，ω2、b2分别为BP神经网络中隐藏层与输出层间的权重和阈值，ω′1、b′1分别为ω1、b1更新后的权重与阈值，ω′2、b′2分别为ω2、b2更新后的权重与阈值。
改进鲸鱼算法的流程如图2所示。
在步骤S5中，将鲸鱼进行搜索猎物、包围猎物或驱赶猎物并更新当前种群鲸鱼个体位置，得到原始种群。具体实施过程如下：
S501、生成一个0到1的随机数p，来决定鲸鱼选择寻找和包围猎物还是使用气泡网追赶，若p<0.5则执行步骤S502，否则，执行步骤S503。
S502、鲸鱼群通过制造气泡网的方式来驱赶猎物，在一个不断缩小的圆圈内绕着猎物游动，同时沿着螺旋形路径游动并更新位置。
Figure BDA0003710855860000141
Figure BDA0003710855860000142
其中，
Figure BDA0003710855860000143
表示鲸鱼个体与猎物(当前最优解)之间的距离，
Figure BDA0003710855860000144
是i时刻猎物的位置，
Figure BDA0003710855860000145
是i时刻鲸鱼个体的位置，l为[-1,1]之间的随机数。
S503、当|A|>1时，鲸鱼群会进行随机寻找猎物阶段，即鲸鱼群会随机选择一个鲸鱼个体，并向当前随机鲸鱼个体更新鲸鱼群的位置；
Figure BDA0003710855860000146
Figure BDA0003710855860000147
其中，
Figure BDA0003710855860000148
表示为当前选择的随机鲸鱼个体与其他鲸鱼个体间的距离，
Figure BDA0003710855860000149
是i时刻随机一个鲸鱼个体的位置，
Figure BDA00037108558600001410
是i时刻其他鲸鱼个体的位置，
Figure BDA00037108558600001411
是随机向量。
当|A|<1时，鲸鱼群会进行包围猎物阶段，即鲸鱼群会向当前最优鲸鱼个体进行局部搜索猎物并更新位置；
Figure BDA00037108558600001412
Figure BDA00037108558600001413
其中，
Figure BDA00037108558600001414
表示为当前最优鲸鱼个体与其他鲸鱼个体间的距离，
Figure BDA00037108558600001415
是i时刻最优鲸鱼个体的位置，
Figure BDA00037108558600001416
是i时刻其他鲸鱼个体的位置，
Figure BDA00037108558600001417
Figure BDA00037108558600001418
是随机向量。
在步骤S6中，定义并随机初始化新种群，计算新种群和原始种群中鲸鱼个体适应度值并进行比较，得到最优的鲸鱼个体位置；进行退温操作，之后满足达到最大迭代数时，即停止迭代寻优并输出鲸鱼的最优的鲸鱼个体位置，否则返回到步骤S4重新执行。具体实施过程如下：
定义并随机初始化新种群，计算适应度，将新种群适应度值与原始种群相比较，若新种群个体适应度小于原始种群，则将新种群的个体位置替换原始种群的个体位置，反之，以概率公式计算的概率θ接受新种群的个体位置，得到最优的鲸鱼个体位置，保存适应度最优的鲸鱼个体，并进行退温操作，概率公式、退温操作公式如下；
概率公式：
Figure BDA0003710855860000151
退温操作公式：
tem＝0.99*tem
其中，概率公式表示新种群鲸鱼个体适应度劣于原始种群鲸鱼个体时的调整概率，fsa(Xj)为新种群第j个鲸鱼个体的适应度值，f(Xj)为原始种群第j个鲸鱼个体的适应度值，tem代表当前退火温度，退温操作公式表示更新当前退火温度。
在步骤S7中，将最优的鲸鱼个体位置赋值给BP神经网络模型的最佳权重和阈值，进行网络训练，得到优化后的BP神经网络模型，通过优化后的BP神经网络模型获取RFV指标预测结果。具体实施过程如下：
将S6得到的最优的鲸鱼个体位置赋值给BP神经网络的最佳权重和阈值，进行网络训练，得到优化后的BP神经网络模型，将合理范围内的硫化温度t，硫化时间T，硫化压力F输入到优化后的BP神经网络模型中，输出RFV指标预测结果。
本发明实施例还提供一种基于BP神经网络的轮胎硫化质量RFV指标预测系统，该系统包括：
数据获取模块，用于执行步骤S1、获取轮胎硫化工艺参数与轮胎质量指标径向力波动值RFV的历史数据；
模型结构确定模块，用于执行步骤S2、对所述历史数据进行归一化处理；结合经验公式，通过处理后的历史数据对神经网络进行训练，得到神经网络误差最小值，基于神经网络误差最小值，确定BP神经网络模型的拓扑结构；
初始化参数模块，用于执行步骤S3、基于鲸鱼算法，针对轮胎硫化质量RFV指标预测场景初始化BP神经网络模型的参数；
遍历模块，用于执行步骤S4、将鲸鱼个体位置作为BP神经网络模型的初始权重和阈值，BP神经网络模型的训练误差值作为适应度函数进行遍历；
位置更新模块，用于执行步骤S5、将鲸鱼进行搜索猎物、包围猎物或驱赶猎物并更新当前种群鲸鱼个体位置，得到原始种群；
寻优退火模块，用于执行步骤S6、定义并随机初始化新种群，计算新种群和原始种群中鲸鱼个体适应度值并进行比较，得到最优的鲸鱼个体位置；进行退温操作，之后满足达到最大迭代数时，即停止迭代寻优并输出鲸鱼的最优的鲸鱼个体位置，否则返回遍历模块重新执行步骤S4；
预测模块，用于执行步骤S7、将最优的鲸鱼个体位置赋值给BP神经网络模型的最佳权重和阈值，进行网络训练，得到优化后的BP神经网络模型，通过优化后的BP神经网络模型获取RFV指标预测结果。
可理解的是，本发明实施例提供的基于鲸鱼算法优化BP神经网络的轮胎硫化质量RFV指标预测系统与上述基于BP神经网络的轮胎硫化质量RFV指标预测方法相对应，其有关内容的解释、举例、有益效果等部分可以参考基于BP神经网络的轮胎硫化质量RFV指标预测方法中的相应内容，此处不再赘述。
本发明实施例还提供一种计算机可读存储介质，其存储用于基于鲸鱼算法优化BP神经网络的轮胎硫化质量RFV指标预测计算机程序，其中，所述计算机程序使得计算机执行如上述所述的基于BP神经网络的轮胎硫化质量RFV指标预测方法。
本发明实施例还提供一种电子设备，包括：
一个或多个处理器；
存储器；以及
一个或多个程序，其中所述一个或多个程序被存储在所述存储器中，并且被配置成由所述一个或多个处理器执行，所述程序包括用于执行如上述所述的基于BP神经网络的轮胎硫化质量RFV指标预测方法。
综上所述，与现有技术相比，具备以下有益效果：
1、本发明实施例采用神经网络进行轮胎硫化后的RFV指标预测，比传统硫化实验数据分析预测更快更高效，而且即可为后续优化工艺提供模型基础，又可实现硫化结果可视化。同时，本发明实施例通过基于模拟退火的鲸鱼算法优化BP神经网络，加强鲸鱼算法局部搜索能力的同时，也使算法具有跳出局部最优解的能力，算法最后获得的解也更加准确有效，提升RFV指标的预测精度。
2、对鲸鱼算法中的的收敛因子a的计算公式进行改进，利用改进后的鲸鱼算法优化BP神经网络的初始权重和阈值，改善了鲸鱼算法在优化过程中出现陷入局部最优的这一缺点，实现优化过程中协调局部搜索，提高局部开发能力，进一步提升轮胎硫化质量RFV指标预测精度。
需要说明的是，在本文中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。

Claims (5)

1.一种基于BP神经网络的轮胎硫化质量RFV指标预测方法，其特征在于，包括以下步骤：
S1、获取轮胎硫化工艺参数与轮胎质量指标径向力波动值RFV的历史数据；
S2、对所述历史数据进行归一化处理；结合经验公式，通过处理后的历史数据对神经网络进行训练，得到神经网络误差最小值，基于神经网络误差最小值，确定BP神经网络模型的拓扑结构；其中，所述经验公式如下：
Figure FDA0004062415240000011
其中，n为隐藏节点数，n1为输入层节点数，n2为输出层结点数，c为区间[1，10]的常数；
通过经验公式得到一组隐藏层节点数，分别带入神经网络计算各隐藏层节点数所对应的神经网络误差值，比较得到最小误差值，选取该值对应的隐藏层节点数作为最终的隐藏层节点数，从而确定BP神经网络模型的拓扑结构；
S3、基于鲸鱼算法，针对轮胎硫化质量RFV指标预测场景初始化BP神经网络模型的参数，包括：包括：
针对轮胎硫化质量RFV指标预测场景下初始化模型参数，设置鲸鱼数量N，最大迭代次数为I，初始退火温度为tem，以及初始化参数A、a、C，计算公式如下：
a＝2-2*(i/I)
A＝2ar1-a
C＝2r2
其中，a为收敛因子，随迭代次数从2递减到0，i为当前迭代次数，I为最大迭代次数；A和C为协同系数向量，r1和r2均为(0，1)的随机数；
S4、将鲸鱼个体位置作为BP神经网络模型的初始权重和阈值，BP神经网络模型的训练误差值作为适应度函数进行遍历，包括：将训练误差值error作为鲸鱼种群适应度值，计算出鲸鱼种群的最小适应度值以及最佳鲸鱼个体位置，将最佳鲸鱼个体位置作为BP神经网络模型的初始权重和阈值，根据梯度下降法更新权重和阈值，更新公式如下：
Figure FDA0004062415240000021
Figure FDA0004062415240000022
Figure FDA0004062415240000023
Figure FDA0004062415240000024
其中：μ为BP神经网络的学习率，ω1、b1分别为BP神经网络中输入层与隐藏层间的权重和阈值，ω2、b2分别为BP神经网络中隐藏层与输出层间的权重和阈值，ω′1、b′1分别为ω1、b1更新后的权重与阈值，ω′2、b′2分别为ω2、b2更新后的权重与阈值；
S5、将鲸鱼进行搜索猎物、包围猎物或驱赶猎物并更新当前种群鲸鱼个体位置，得到原始种群，包括：S501、生成一个0到1的随机数p，来决定鲸鱼选择寻找和包围猎物还是使用气泡网追赶，若p<0.5则执行步骤S502，否则，执行步骤S503；
S502、鲸鱼群通过制造气泡网的方式来驱赶猎物，在一个不断缩小的圆圈内绕着猎物游动，同时沿着螺旋形路径游动并更新位置，位置更新公式如下：
Figure FDA0004062415240000031
Figure FDA0004062415240000032
其中，
Figure FDA0004062415240000033
表示鲸鱼个体与当前最优解之间的距离，
Figure FDA0004062415240000034
是i时刻猎物的位置，
Figure FDA0004062415240000035
是i时刻鲸鱼个体的位置，l为[-1，1]之间的随机数；
S503、当|A|>1时，鲸鱼进行全局搜索猎物并更新位置；当|A|<1时，鲸鱼进行局部搜索猎物并更新位置；
S6、定义并随机初始化新种群，计算新种群和原始种群中鲸鱼个体适应度值并进行比较，得到最优的鲸鱼个体位置；进行退温操作，之后满足达到最大迭代数时，即停止迭代寻优并输出鲸鱼的最优的鲸鱼个体位置，否则返回到步骤S4重新执行，包括：
定义并随机初始化新种群，计算适应度，将新种群适应度值与原始种群相比较，若新种群个体适应度小于原始种群，则将新种群的个体位置替换原始种群的个体位置，反之，以概率公式计算的概率θ接受新种群的个体位置，得到最优的鲸鱼个体位置；
Figure FDA0004062415240000036
其中，概率公式表示新种群鲸鱼个体适应度劣于原始种群鲸鱼个体时的调整概率，fsa(Xj)为新种群第j个鲸鱼个体的适应度值，f(Xj)为原始种群第j个鲸鱼个体的适应度值，tem代表当前退火温度；
S7、将最优的鲸鱼个体位置赋值给BP神经网络模型的最佳权重和阈值，进行网络训练，得到优化后的BP神经网络模型，通过优化后的BP神经网络模型获取RFV指标预测结果。
2.如权利要求1所述的基于BP神经网络的轮胎硫化质量RFV指标预测方法，其特征在于，所述当|A|＞1时，鲸鱼进行全局搜索猎物并更新位置；当|A|<1时，鲸鱼进行局部搜索猎物并更新位置，包括：
当|A|>1时，鲸鱼群会进行随机寻找猎物阶段，即鲸鱼群会随机选择一个鲸鱼个体，并向当前随机鲸鱼个体更新鲸鱼群的位置；
Figure FDA0004062415240000041
Figure FDA0004062415240000042
其中，
Figure FDA0004062415240000043
表示为当前选择的随机鲸鱼个体与其他鲸鱼个体间的距离，
Figure FDA0004062415240000044
是i时刻随机一个鲸鱼个体的位置，
Figure FDA0004062415240000045
是i时刻其他鲸鱼个体的位置，
Figure FDA0004062415240000046
是随机向量；
当|A|<1时，鲸鱼群会进行包围猎物阶段，即鲸鱼群会向当前最优鲸鱼个体进行局部搜索猎物并更新位置；
Figure FDA0004062415240000047
Figure FDA0004062415240000048
其中，
Figure FDA0004062415240000049
表示为当前最优鲸鱼个体与其他鲸鱼个体间的距离，
Figure FDA00040624152400000410
是i时刻最优鲸鱼个体的位置，
Figure FDA00040624152400000411
是i时刻其他鲸鱼个体的位置，
Figure FDA00040624152400000412
Figure FDA00040624152400000413
是随机向量。
3.一种基于BP神经网络的轮胎硫化质量RFV指标预测系统，其特征在于，所述系统包括：
数据获取模块，用于执行步骤S1、获取轮胎硫化工艺参数与轮胎质量指标径向力波动值RFV的历史数据；
模型结构确定模块，用于执行步骤S2、对所述历史数据进行归一化处理；结合经验公式，通过处理后的历史数据对神经网络进行训练，得到神经网络误差最小值，基于神经网络误差最小值，确定BP神经网络模型的拓扑结构；其中，所述经验公式如下：
Figure FDA0004062415240000051
其中，n为隐藏节点数，n1为输入层节点数，n2为输出层结点数，c为区间[1，10]的常数；
通过经验公式得到一组隐藏层节点数，分别带入神经网络计算各隐藏层节点数所对应的神经网络误差值，比较得到最小误差值，选取该值对应的隐藏层节点数作为最终的隐藏层节点数，从而确定BP神经网络模型的拓扑结构；
初始化参数模块，用于执行步骤S3、基于鲸鱼算法，针对轮胎硫化质量RFV指标预测场景初始化BP神经网络模型的参数，包括：包括：
针对轮胎硫化质量RFV指标预测场景下初始化模型参数，设置鲸鱼数量N，最大迭代次数为I，初始退火温度为tem，以及初始化参数A、a、C，计算公式如下：
a＝2-2*(i/I)
A＝2ar1-a
C＝2r2
其中，a为收敛因子，随迭代次数从2递减到0，i为当前迭代次数，I为最大迭代次数；A和C为协同系数向量，r1和r2均为(0，1)的随机数；
遍历模块，用于执行步骤S4、将鲸鱼个体位置作为BP神经网络模型的初始权重和阈值，BP神经网络模型的训练误差值作为适应度函数进行遍历，包括：将训练误差值error作为鲸鱼种群适应度值，计算出鲸鱼种群的最小适应度值以及最佳鲸鱼个体位置，将最佳鲸鱼个体位置作为BP神经网络模型的初始权重和阈值，根据梯度下降法更新权重和阈值，更新公式如下：
Figure FDA0004062415240000061
Figure FDA0004062415240000062
Figure FDA0004062415240000063
Figure FDA0004062415240000064
其中：μ为BP神经网络的学习率，ω1、b1分别为BP神经网络中输入层与隐藏层间的权重和阈值，ω2、b2分别为BP神经网络中隐藏层与输出层间的权重和阈值，ω′1、b′1分别为ω1、b1更新后的权重与阈值，ω′2、b′2分别为ω2、b2更新后的权重与阈值；
位置更新模块，用于执行步骤S5、将鲸鱼进行搜索猎物、包围猎物或驱赶猎物并更新当前种群鲸鱼个体位置，得到原始种群，包括：
S501、生成一个0到1的随机数p，来决定鲸鱼选择寻找和包围猎物还是使用气泡网追赶，若p<0.5则执行步骤S502，否则，执行步骤S503；
S502、鲸鱼群通过制造气泡网的方式来驱赶猎物，在一个不断缩小的圆圈内绕着猎物游动，同时沿着螺旋形路径游动并更新位置，位置更新公式如下：
Figure FDA0004062415240000071
Figure FDA0004062415240000072
其中，
Figure FDA0004062415240000073
表示鲸鱼个体与当前最优解之间的距离，
Figure FDA0004062415240000074
是i时刻猎物的位置，
Figure FDA0004062415240000075
是i时刻鲸鱼个体的位置，l为[-1，1]之间的随机数；
S503、当|A|>1时，鲸鱼进行全局搜索猎物并更新位置；当|A|<1时，鲸鱼进行局部搜索猎物并更新位置；
寻优退火模块，用于执行步骤S6、定义并随机初始化新种群，计算新种群和原始种群中鲸鱼个体适应度值并进行比较，得到最优的鲸鱼个体位置；进行退温操作，之后满足达到最大迭代数时，即停止迭代寻优并输出鲸鱼的最优的鲸鱼个体位置，否则返回遍历模块重新执行步骤S4，包括：
定义并随机初始化新种群，计算适应度，将新种群适应度值与原始种群相比较，若新种群个体适应度小于原始种群，则将新种群的个体位置替换原始种群的个体位置，反之，以概率公式计算的概率θ接受新种群的个体位置，得到最优的鲸鱼个体位置；
Figure FDA0004062415240000076
其中，概率公式表示新种群鲸鱼个体适应度劣于原始种群鲸鱼个体时的调整概率，fsa(Xj)为新种群第j个鲸鱼个体的适应度值，f(Xj)为原始种群第j个鲸鱼个体的适应度值，tem代表当前退火温度；
预测模块，用于执行步骤S7、将最优的鲸鱼个体位置赋值给BP神经网络模型的最佳权重和阈值，进行网络训练，得到优化后的BP神经网络模型，通过优化后的BP神经网络模型获取RFV指标预测结果。
4.一种计算机可读存储介质，其特征在于，其存储用于基于鲸鱼算法优化BP神经网络的轮胎硫化质量RFV指标预测的计算机程序，其中，所述计算机程序使得计算机执行如权利要求1～2任一所述的基于BP神经网络的轮胎硫化质量RFV指标预测方法。
5.一种电子设备，其特征在于，包括：
一个或多个处理器；
存储器；以及
一个或多个程序，其中所述一个或多个程序被存储在所述存储器中，并且被配置成由所述一个或多个处理器执行，所述程序包括用于执行如权利要求1～2任一所述的基于BP神经网络的轮胎硫化质量RFV指标预测方法。
CN202210719846.5A 2022-06-23 2022-06-23 基于bp神经网络的轮胎硫化质量rfv指标预测方法和系统 Active CN115271167B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210719846.5A CN115271167B (zh) 2022-06-23 2022-06-23 基于bp神经网络的轮胎硫化质量rfv指标预测方法和系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210719846.5A CN115271167B (zh) 2022-06-23 2022-06-23 基于bp神经网络的轮胎硫化质量rfv指标预测方法和系统

Publications (2)

Publication Number Publication Date
CN115271167A CN115271167A (zh) 2022-11-01
CN115271167B true CN115271167B (zh) 2023-04-07

Family

ID=83762235

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210719846.5A Active CN115271167B (zh) 2022-06-23 2022-06-23 基于bp神经网络的轮胎硫化质量rfv指标预测方法和系统

Country Status (1)

Country Link
CN (1) CN115271167B (zh)

Families Citing this family (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115759437B (zh) * 2022-11-24 2024-03-01 天津市水利工程集团有限公司 基于hgs的bp神经网络污水指标预测方法
CN117241376B (zh) * 2023-09-14 2024-04-19 兰州理工大学 一种多策略改进bp神经网络的wsn节点定位方法

Family Cites Families (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
AU2003304562A1 (en) * 2003-11-21 2005-06-17 Michelin Recherche Et Technique S.A. Tire manufacturing method for improving the uniformity of a tire
US8298040B2 (en) * 2007-08-09 2012-10-30 Pirelli Tyre S.P.A. Process and apparatus for grinding tyres
CN104376369B (zh) * 2014-09-17 2017-10-10 广东工业大学 一种基于混合遗传算法的轮胎硫化车间能耗优化调度方法
CN113352664B (zh) * 2021-04-26 2022-11-25 中策橡胶集团股份有限公司 一种改善轮胎均匀性径向力的轮胎定位硫化方法及轮胎

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
胡乃平 ; 郭超 ; .结合遗传算子的改进粒子群算法在轮胎硫化车间调度中的应用.计算机与现代化.2016,(第10期),全文. *

Also Published As

Publication number Publication date
CN115271167A (zh) 2022-11-01

Similar Documents

Publication Publication Date Title
CN115271167B (zh) 基于bp神经网络的轮胎硫化质量rfv指标预测方法和系统
WO2022083009A1 (zh) 一种基于异源数据差补融合的定制产品性能预测方法
WO2020140073A1 (en) Neural architecture search through a graph search space
CN115238961A (zh) 基于鲸鱼算法优化bp神经网络的轮胎硫化质量预测方法
CN111275172B (zh) 一种基于搜索空间优化的前馈神经网络结构搜索方法
CN113326969A (zh) 基于改进鲸鱼算法优化elm的短期风速预测方法及系统
CN109359833B (zh) 一种基于abc-brann模型的海洋平台燃爆风险分析方法
CN112560914A (zh) 一种基于改进lssvm的滚动轴承故障诊断方法
CN115335830A (zh) 利用权重共享的神经架构搜索
CN109934330A (zh) 基于多样化种群的果蝇优化算法来构建预测模型的方法
CN113469426A (zh) 基于改进bp神经网络的光伏输出功率预测方法及系统
CN108961460B (zh) 基于稀疏esgp与多目标优化的故障预测方法及装置
CN114463540A (zh) 使用神经网络对图像进行分割
CN112215412A (zh) 溶解氧预测方法及装置
CN115269861A (zh) 基于生成式对抗模仿学习的强化学习知识图谱推理方法
CN114637881A (zh) 基于多代理度量学习的图像检索方法
CN113128689A (zh) 一种调控知识图谱的实体关系路径推理方法及系统
CN113449182A (zh) 一种知识信息个性化推荐方法及系统
CN112651499A (zh) 一种基于蚁群优化算法和层间信息的结构化模型剪枝方法
CN117371320A (zh) 基于增强灰狼优化算法的光子晶体光纤预测方法及系统
CN117155806A (zh) 一种通信基站流量预测方法与装置
KR20220032861A (ko) 하드웨어에서의 성능을 고려한 뉴럴 아키텍처 서치 방법 빛 장치
CN116933657A (zh) 一种复杂型面加工参数特征提取方法、系统、设备及介质
CN115345303A (zh) 卷积神经网络权重调优方法、装置、存储介质和电子设备
KR20240034804A (ko) 자동 회귀 언어 모델 신경망을 사용하여 출력 시퀀스 평가

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant