CN115438589A - 一种基于bp神经网络的钓竿调性预测模型及其优化方法 - Google Patents

一种基于bp神经网络的钓竿调性预测模型及其优化方法 Download PDF

Info

Publication number
CN115438589A
CN115438589A CN202211306827.6A CN202211306827A CN115438589A CN 115438589 A CN115438589 A CN 115438589A CN 202211306827 A CN202211306827 A CN 202211306827A CN 115438589 A CN115438589 A CN 115438589A
Authority
CN
China
Prior art keywords
neural network
fishing rod
adjustability
data set
prediction model
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.)
Pending
Application number
CN202211306827.6A
Other languages
English (en)
Inventor
闫婷婷
陈德珅
牛年茂
钱宏亮
王化杰
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.)
Harbin Institute of Technology Weihai
Original Assignee
Harbin Institute of Technology Weihai
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 Harbin Institute of Technology Weihai filed Critical Harbin Institute of Technology Weihai
Priority to CN202211306827.6A priority Critical patent/CN115438589A/zh
Publication of CN115438589A publication Critical patent/CN115438589A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/20—Design optimisation, verification or simulation
    • G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
    • 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
    • G06N3/04—Architecture, e.g. interconnection topology
    • 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
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2111/00—Details relating to CAD techniques
    • G06F2111/08—Probabilistic or stochastic CAD

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Evolutionary Computation (AREA)
  • Software Systems (AREA)
  • Artificial Intelligence (AREA)
  • General Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • General Health & Medical Sciences (AREA)
  • Mathematical Physics (AREA)
  • Computational Linguistics (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Biophysics (AREA)
  • Biomedical Technology (AREA)
  • Data Mining & Analysis (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Medical Informatics (AREA)
  • Computer Hardware Design (AREA)
  • Geometry (AREA)
  • Image Analysis (AREA)

Abstract

本发明提供一种基于BP神经网络的钓竿调性预测模型及其优化方法，包括：获取钓竿设计参数变量和钓竿调性数据，建立数据集；使用Min‑Max‑Scaler函数进行归一化处理；按比例拆分数据集获得训练数据集和测试数据集；构建BP神经网络模型训练获得钓竿调性预测模型；将BP神经网络钓竿调性预测模型的输出数据进行反归一化处理；将测试数据集输入钓竿调性预测模型获取测试预测精度，使用MSE比较预设预测精度和测试预测精度的差距；使用CMA‑ES算法优化BP神经网络参数得出预测模型神经网络结构的最优解。本发明基于BP算法构建神经网络模型，对BP神经网络参数进行优化获得钓竿调性预测模型，提高钓竿设计效率。

Description

一种基于BP神经网络的钓竿调性预测模型及其优化方法
技术领域
本发明涉及钓竿设计技术领域，具体而言，涉及一种基于BP神经网络的钓竿调性预测模型及其优化方法。
背景技术
调性曲线指的是钓竿在承受端部垂直载荷时形成的弯曲线条，通过调性曲线可以评判一根钓竿的软硬程度。
目前，调性曲线的相关研究主要采用有限元方法和挠曲线控制方程求解法。传统有限元方法进行分析计算需要经历建模、材料属性定义及赋予、划分网格、定义分析步、定义载荷及边界条件等一系列固定流程；计算难点在于碳纤维复合材料的材性计算，以及对于钓竿这种大变形非线性问题容易不收敛，不仅对于设计人员的专业技能要求较为严格，并且结合试验验证发现计算精度不高。钓竿生产企业则主要依靠钓竿调性试验获得调性曲线，但由于试验需要提前进行钓竿生产制造，其模具、设计、材料成本较高，并且得到的调性曲线往往不能很快符合设计要求，需要进行反复迭代试验，浪费时间及人力物力，效率较低。
发明内容
鉴于此，本发明的目的在于提供一种采用 BP 算法（误差反向传播算法）构建神经网络模型，利用CMA-ES 算法（协方差自适应进化策略）对 BP 神经网络参数进行优化，获得优化后的钓竿调性的预测模型，以提高设计效率。
本发明提供一种基于BP神经网络的钓竿调性预测模型及其优化方法，包括以下步骤：
S1、获取钓竿设计参数变量和钓竿调性数据，建立以钓竿设计参数变量和钓竿调性数据为样本数据的数据集；
所述钓竿设计参数变量包括：碳布型号、尺寸、厚度、碳布铺层数量和模具参数；所述钓竿调性数据包括钓竿所选截面x与y方向的位移；
S2、对所述数据集进行数据预处理，使用 Min-Max-Scaler 函数对样本数据进行归一化处理；
S3、按照比例将数据集进行随机拆分，获得训练数据集和测试数据集；
按照比例从整个数据集中随机挑选出测试数据集，剩下的部分作为训练数据集；
S4、采用BP算法构建神经网络模型，使用所述训练数据集作为输入数据训练BP神经网络，获得钓竿调性预测模型；
将BP神经网络钓竿调性预测模型的输出数据进行反归一化处理；
BP 算法的基本思想是，网络模型的学习过程由数据信号的正向传播与误差反向传播两个过程组成；正向传播时，输入样本从输入层传入，经过各隐含层逐层处理后，传向输出层；若输出层的实际输出与期望输出不符，则转入误差的反向传播阶段；误差反向传播是将输出误差以某种形式通过隐含层向输入层逐层反传，并将误差分摊给各层的所有单元，从而获得各层的误差信号，此误差信号即作为修正单元权值的依据，这种信号正向传播与误差反向传播的各层权值调整过程周而复始地进行；权值不断调整的过程，也就是网络模型学习训练的过程，此过程一直进行到网络模型输出的误差减少到可接受的程度，或进行到预先设定的学习次数为止；
S5、预先设置所述钓竿调性预测模型的预设预测精度，将所述测试数据集输入钓竿调性预测模型进行预测，获取到测试预测精度，使用均方误差函数MSE计算比较所述预设预测精度和所述测试预测精度之间的差距；
S6、使用CMA-ES协方差矩阵自适应进化策略算法优化所述BP神经网络的参数，计算得出钓竿调性预测模型的神经网络结构的最优解。
所述BP神经网络的参数包括：激活函数类型、神经元数量、学习次数、 alpha 值；
进一步地，所述S3步骤所述的将数据集进行随机拆分的比例包括：
所述训练数据集和所述测试数据集的比例为4：1。
进一步地，所述S4步骤的采用BP算法构建神经网络模型和训练BP神经网络的方法包括：
S41、定义BP神经网络的结构，通过前向传播算法计算得到预测值；
S42、定义损失函数为二次代价函数的均方误差函数，计算BP神经网络的预测值和真实值两者之间的差距；
S43、选择反向传播优化算法，计算损失函数对BP神经网络每一个网格参数的梯度；
S44、根据梯度和学习率，使用梯度下降算法更新每一个网格参数；
S45、反复运行反向传播优化算法，训练所述BP神经网络。
进一步地，所述S41步骤的BP神经网络的结构定义为3层BP网络，包括：输入层、1个隐含层、输出层。
进一步地，所述S6步骤的使用CMA-ES算法优化所述BP神经网络的参数的方法包括以下步骤：
S61、确定 BP 神经网络的需优化的参数；
需优化的参数包括：激活函数类型、神经元数量、学习次数、alpha值；
S62、确定最大迭代次数t1max；
S63、确定 CMA-ES 算法的初始参数；
S64、以 BP 神经网络的需优化的参数为优化参数，采用BP神经网络的均方误差函数MSE作为目标函数，若MSE越小，则代表该参数个体适应度越高；
S65、进行CMA-ES优化计算：产生新的种群；更新种群期望、协方差矩阵与步长；计算新种群的目标函数值，选出最优参数个体；
S66、重复执行S65步骤，直到达到最大迭代次数，得出BP神经网络结构的最优解。
BP（误差反向传播）算法可以拟合任何“包含从一个有限空间到另一个有限空间的连续映射”的函数；BP神经网络的层数越深，理论上拟合函数的能力增强，效果按理说会更好，但是实际上更深的层数可能会带来过拟合的问题，同时也会增加训练难度，使模型难以收敛。一般情况，考虑 3 层 BP 网络（即 1个隐含层），靠增加隐含层的节点数来获取较低的误差（这种训练效果要比增加隐含层数更容易实现），隐含层节点数的选择很重要，它对建立神经网络模型的性能影响很大，但当前并没有一种科学的确定节点数的方法，如果数目太少，网络将不能建立复杂的判断界，训练不出合适的网络，不能识别以前没有看过的样本数据，容错性差，但数目过大,就会使训练时间过长，网络的泛化能力降低，而且误差也不一定最佳，因此存在一个最佳的隐含层节点数，所以本发明采用 CMA-ES 算法对 BP 神经网络隐含层神经元数量进行优化，进一步包含激活函数类型、学习次数、alpha 值等。
进一步地，所述S1步骤的所述样本数据为表格数据，即结构化数据，后续对数据进行训练时划分输入数据与预计输出数据，区分不同的参数。
本发明还提供一种计算机可读存储介质，其上存储有计算机程序，所述程序被处理器执行时实现如上述所述的基于BP神经网络的钓竿调性预测模型及其优化方法的步骤。
本发明还提供一种计算机设备，所述计算机设备包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现如上述所述的基于BP神经网络的钓竿调性预测模型及其优化方法的步骤。
与现有技术相比，本发明的有益效果在于：
本发明基于BP（误差反向传播）算法构建神经网络模型，采用CMA-ES 算法（协方差自适应进化策略）对 BP 神经网络参数进行优化，获得钓竿调性的预测模型，提高了钓竿设计效率。
附图说明
通过阅读下文优选实施方式的详细描述，各种其他的优点和益处对于本领域普通技术人员将变得清楚明了。附图仅用于示出优选实施方式的目的，而并不认为是对本发明的限制。
在附图中：
图1为本发明一种基于BP神经网络的钓竿调性预测模型及其优化方法的流程图；
图2为本发明实施例计算机设备的构成示意图；
图3为本发明实施例采用BP算法构建神经网络模型和训练BP神经网络的方法流程图；
图4为本发明实施例使用CMA-ES算法优化所述BP神经网络的参数的方法流程图；
图5为本发明实施例基于BP神经网络的钓竿调性预测模型的优化流程示意图。
具体实施方式
这里将详细地对示例性实施例进行说明，其示例表示在附图中。下面的描述涉及附图时，除非另有表示，不同附图中的相同数字表示相同或相似的要素。以下示例性实施例中所描述的实施方式并不代表与本公开相一致的所有实施方式。相反，它们仅是与如所附权利要求书中所详述的、本公开的一些方面相一致的装置和产品的例子。
在本公开使用的术语是仅仅出于描述特定实施例的目的，而非旨在限制本公开。在本公开和所附权利要求书中所使用的单数形式的“一种”、“所述”和“该”也旨在包括多数形式，除非上下文清楚地表示其他含义。还应当理解，本文中使用的术语“和/或”是指并包含一个或多个相关联的列出项目的任何或所有可能组合。
应当理解，尽管在本公开可能采用术语第一、第二、第三等来描述各种信息，但这些信息不应限于这些术语。这些术语仅用来将同一类型的信息彼此区分开。例如，在不脱离本公开范围的情况下，第一信息也可以被称为第二信息，类似地，第二信息也可以被称为第一信息。取决于语境，如在此所使用的词语“如果”可以被解释成为“在……时”或“当……时”或“响应于确定”。
下面结合附图对本发明实施例作进一步详细说明。
本发明实施例提供一种基于BP神经网络的钓竿调性预测模型及其优化方法，参见图1所示，包括如下步骤：
S1、获取钓竿设计参数变量和钓竿调性数据，建立以钓竿设计参数变量和钓竿调性数据为样本数据的数据集；
所述钓竿设计参数变量包括：碳布型号、尺寸、厚度、碳布铺层数量和模具参数；所述钓竿调性数据包括钓竿所选截面x与y方向的位移；
所述样本数据为表格数据，即结构化数据，后续对数据进行训练时划分输入数据与预计输出数据，区分不同的参数；
S2、对所述数据集进行数据预处理，使用 Min-Max-Scaler 函数对样本数据进行归一化处理；
S3、按照比例将数据集进行随机拆分，获得训练数据集和测试数据集；
按照比例从整个数据集中随机挑选出测试数据集，剩下的部分作为训练数据集；
本实施例中，将数据集进行随机拆分，训练数据集和测试数据集的比例为4：1。
S4、采用BP算法构建神经网络模型，使用所述训练数据集作为输入数据训练BP神经网络，获得钓竿调性预测模型；
将BP神经网络钓竿调性预测模型的输出数据进行反归一化处理；
参见图3所示，所述采用BP算法构建神经网络模型和训练BP神经网络的方法包括：
S41、定义BP神经网络的结构，通过前向传播算法计算得到预测值；
优选地，所述BP神经网络的结构定义为3层BP网络，包括：输入层、1个隐含层、输出层；
S42、定义损失函数为二次代价函数的均方误差函数，计算BP神经网络的预测值和真实值两者之间的差距；
S43、选择反向传播优化算法，计算损失函数对BP神经网络每一个网格参数的梯度；
S44、根据梯度和学习率，使用梯度下降算法更新每一个网格参数；
S45、反复运行反向传播优化算法，训练所述BP神经网络；
BP 算法的基本思想是，网络模型的学习过程由数据信号的正向传播与误差反向传播两个过程组成；正向传播时，输入样本从输入层传入，经过各隐含层逐层处理后，传向输出层；若输出层的实际输出与期望输出不符，则转入误差的反向传播阶段；误差反向传播是将输出误差以某种形式通过隐含层向输入层逐层反传，并将误差分摊给各层的所有单元，从而获得各层的误差信号，此误差信号即作为修正单元权值的依据，这种信号正向传播与误差反向传播的各层权值调整过程周而复始地进行；权值不断调整的过程，也就是网络模型学习训练的过程，此过程一直进行到网络模型输出的误差减少到可接受的程度，或进行到预先设定的学习次数为止；
S5、预先设置所述钓竿调性预测模型的预设预测精度，将所述测试数据集输入钓竿调性预测模型进行预测，获取到测试预测精度，使用均方误差函数MSE计算比较所述预设预测精度和所述测试预测精度之间的差距；
S6、使用CMA-ES协方差矩阵自适应进化策略算法优化所述BP神经网络的参数，计算得出钓竿调性预测模型的神经网络结构的最优解；
所述BP神经网络的参数包括：激活函数类型、神经元数量、学习次数、 alpha 值；
参见图4所示，所述使用CMA-ES算法优化所述BP神经网络的参数的方法包括以下步骤：
S61、确定 BP 神经网络的需优化的参数；
需优化的参数包括：激活函数类型、神经元数量、学习次数、alpha值；
S62、确定最大迭代次数t1max；
S63、确定 CMA-ES 算法的初始参数；
S64、以 BP 神经网络的需优化的参数为优化参数，采用BP神经网络的均方误差函数MSE作为目标函数，若MSE越小，则代表该参数个体适应度越高；
S65、进行CMA-ES优化计算：产生新的种群；更新种群期望、协方差矩阵与步长；计算新种群的目标函数值，选出最优参数个体；
S66、重复执行S65步骤，直到达到最大迭代次数，得出BP神经网络结构的最优解；
参见图5所示为本实施例的基于BP神经网络的钓竿调性预测模型的优化流程示意图。
BP（误差反向传播）算法可以拟合任何“包含从一个有限空间到另一个有限空间的连续映射”的函数；BP神经网络的层数越深，理论上拟合函数的能力增强，效果按理说会更好，但是实际上更深的层数可能会带来过拟合的问题，同时也会增加训练难度，使模型难以收敛。一般情况，考虑 3 层 BP 网络 （即 1个隐含层），靠增加隐含层的节点数来获取较低的误差（这种训练效果要比增加隐含层数更容易实现），隐含层节点数的选择很重要，它对建立神经网络模型的性能影响很大，但当前并没有一种科学的确定节点数的方法，如果数目太少，网络将不能建立复杂的判断界，训练不出合适的网络，不能识别以前没有看过的样本数据，容错性差，但数目过大,就会使训练时间过长，网络的泛化能力降低，而且误差也不一定最佳，因此存在一个最佳的隐含层节点数，所以本发明采用 CMA-ES 算法对 BP 神经网络隐含层神经元数量进行优化，进一步包含激活函数类型、学习次数、alpha 值等。
本发明实施例基于BP（误差反向传播）算法构建神经网络模型，采用CMA-ES 算法（协方差自适应进化策略）对 BP 神经网络参数进行优化，获得钓竿调性的预测模型，提高了钓竿设计效率。
本发明实施例还提供了一种计算机设备，图2是本发明实施例提供的一种计算机设备的结构示意图；参见附图图2所示，该计算机设备包括：输入装置23、输出装置24、存储器22和处理器21；所述存储器22，用于存储一个或多个程序；当所述一个或多个程序被所述一个或多个处理器21执行，使得所述一个或多个处理器21实现如上述实施例提供的基于BP神经网络的钓竿调性预测模型及其优化方法；其中输入装置23、输出装置24、存储器22和处理器21可以通过总线或者其他方式连接，图2中以通过总线连接为例。
存储器22作为一种计算设备可读写存储介质，可用于存储软件程序、计算机可执行程序，如本发明实施例所述的基于BP神经网络的钓竿调性预测模型及其优化方法对应的程序指令；存储器22可主要包括存储程序区和存储数据区，其中，存储程序区可存储操作系统、至少一个功能所需的应用程序；存储数据区可存储根据设备的使用所创建的数据等；此外，存储器22可以包括高速随机存取存储器，还可以包括非易失性存储器，例如至少一个磁盘存储器件、闪存器件、或其他非易失性固态存储器件；在一些实例中，存储器22可进一步包括相对于处理器21远程设置的存储器，这些远程存储器可以通过网络连接至设备。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。
输入装置23可用于接收输入的数字或字符信息，以及产生与设备的用户设置以及功能控制有关的键信号输入；输出装置24可包括显示屏等显示设备。
处理器21通过运行存储在存储器22中的软件程序、指令以及模块，从而执行设备的各种功能应用以及数据处理，即实现上述的基于BP神经网络的钓竿调性预测模型及其优化方法。
上述提供的计算机设备可用于执行上述实施例提供的基于BP神经网络的钓竿调性预测模型及其优化方法，具备相应的功能和有益效果。
本发明实施例还提供一种包含计算机可执行指令的存储介质，所述计算机可执行指令在由计算机处理器执行时用于执行如上述实施例提供的基于BP神经网络的钓竿调性预测模型及其优化方法，存储介质是任何的各种类型的存储器设备或存储设备，存储介质包括：安装介质，例如CD-ROM、软盘或磁带装置；计算机系统存储器或随机存取存储器，诸如DRAM、DDR RAM、SRAM、EDO RAM，兰巴斯(Rambus)RAM等；非易失性存储器，诸如闪存、磁介质(例如硬盘或光存储)；寄存器或其它相似类型的存储器元件等；存储介质可以还包括其它类型的存储器或其组合；另外，存储介质可以位于程序在其中被执行的第一计算机系统中，或者可以位于不同的第二计算机系统中，第二计算机系统通过网络(诸如因特网)连接到第一计算机系统；第二计算机系统可以提供程序指令给第一计算机用于执行。存储介质包括可以驻留在不同位置中(例如在通过网络连接的不同计算机系统中)的两个或更多存储介质。存储介质可以存储可由一个或多个处理器执行的程序指令(例如具体实现为计算机程序)。
当然，本发明实施例所提供的一种包含计算机可执行指令的存储介质，其计算机可执行指令不限于如上实施例所述的基于BP神经网络的钓竿调性预测模型及其优化方法，还可以执行本发明任意实施例所提供的基于BP神经网络的钓竿调性预测模型及其优化方法中的相关操作。
至此，已经结合附图所示的优选实施方式描述了本发明的技术方案，但是，本领域技术人员容易理解的是，本发明的保护范围显然不局限于这些具体实施方式。在不偏离本发明的原理的前提下，本领域技术人员可以对相关技术特征做出等同的更改或替换，这些更改或替换之后的技术方案都将落入本发明的保护范围之内。
以上所述仅为本发明的优选实施例，并不用于限制本发明；对于本领域的技术人员来说，本发明可以有各种更改和变化。凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (9)

1.一种基于BP神经网络的钓竿调性预测模型及其优化方法，其特征在于，包括以下步骤：
S1、获取钓竿设计参数变量和钓竿调性数据，建立以钓竿设计参数变量和钓竿调性数据为样本数据的数据集；
所述钓竿设计参数变量包括：碳布型号、尺寸、厚度、碳布铺层数量和模具参数；所述钓竿调性数据包括：以钓竿粗端为原点，钓竿所选截面在平面坐标系下所表现出的位移；
S2、对所述数据集进行数据预处理，使用 Min-Max-Scaler 函数对样本数据进行归一化处理；
S3、按照比例将数据集进行随机拆分，获得训练数据集和测试数据集；
按照比例从整个数据集中随机挑选出测试数据集，剩下的部分作为训练数据集；
S4、采用BP算法构建神经网络模型，使用所述训练数据集作为输入数据训练BP神经网络，获得钓竿调性预测模型；
将BP神经网络钓竿调性预测模型的输出数据进行反归一化处理；
S5、预先设置所述钓竿调性预测模型的预设预测精度，将所述测试数据集输入钓竿调性预测模型进行预测，获取到测试预测精度，使用均方误差函数MSE计算比较所述预设预测精度和所述测试预测精度之间的差距；
S6、使用CMA-ES协方差矩阵自适应进化策略算法优化所述BP神经网络的参数，计算得出钓竿调性预测模型的神经网络结构的最优解。
2.根据权利要求1所述的基于BP神经网络的钓竿调性预测模型及其优化方法，其特征在于，所述S3步骤所述的将数据集进行随机拆分的比例包括：
所述训练数据集和所述测试数据集的比例为4：1。
3.根据权利要求1所述的基于BP神经网络的钓竿调性预测模型及其优化方法，其特征在于，所述S4步骤的采用BP算法构建神经网络模型和训练BP神经网络的方法包括：
S41、定义BP神经网络的结构，通过前向传播算法计算得到预测值；
S42、定义损失函数为二次代价函数的均方误差函数，计算BP神经网络的预测值和真实值两者之间的差距；
S43、选择反向传播优化算法，计算损失函数对BP神经网络每一个网格参数的梯度；
S44、根据梯度和学习率，使用梯度下降算法更新每一个网格参数；
S45、反复运行反向传播优化算法，训练所述BP神经网络。
4.根据权利要求3所述的基于BP神经网络的钓竿调性预测模型及其优化方法，其特征在于，所述S41步骤的BP神经网络的结构定义为3层BP网络，包括：输入层、1个隐含层、输出层。
5.根据权利要求1所述的基于BP神经网络的钓竿调性预测模型及其优化方法，其特征在于，所述S6步骤的使用CMA-ES算法优化所述BP神经网络的参数的方法包括以下步骤：
S61、确定 BP 神经网络的需优化的参数；
S62、确定最大迭代次数t1max；
S63、确定 CMA-ES 算法的初始参数；
S64、以 BP 神经网络的需优化的参数为优化参数，采用BP神经网络的均方误差函数MSE作为目标函数，若MSE越小，则代表该参数个体适应度越高；
S65、进行CMA-ES优化计算：产生新的种群；更新种群期望、协方差矩阵与步长；计算新种群的目标函数值，选出最优参数个体；
S66、重复执行S65步骤，直到达到最大迭代次数，得出BP神经网络结构的最优解。
6.根据权利要求5所述的基于BP神经网络的钓竿调性预测模型及其优化方法，其特征在于，所述S61步骤的所述BP 神经网络的需优化的参数包括：激活函数类型、神经元数量、学习次数和alpha值。
7.根据权利要求1所述的基于BP神经网络的钓竿调性预测模型及其优化方法，其特征在于，所述S1步骤的所述样本数据为表格数据，即结构化数据，后续对数据进行训练时划分输入数据与预计输出数据，区分不同的参数。
8.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，所述程序被处理器执行时实现权利要求1-7任一项所述的基于BP神经网络的钓竿调性预测模型及其优化方法的步骤。
9.一种计算机设备，所述计算机设备包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，其特征在于，所述处理器执行所述程序时实现如权利要求1-7任一项所述的基于BP神经网络的钓竿调性预测模型及其优化方法的步骤。
CN202211306827.6A 2022-10-25 2022-10-25 一种基于bp神经网络的钓竿调性预测模型及其优化方法 Pending CN115438589A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202211306827.6A CN115438589A (zh) 2022-10-25 2022-10-25 一种基于bp神经网络的钓竿调性预测模型及其优化方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202211306827.6A CN115438589A (zh) 2022-10-25 2022-10-25 一种基于bp神经网络的钓竿调性预测模型及其优化方法

Publications (1)

Publication Number Publication Date
CN115438589A true CN115438589A (zh) 2022-12-06

Family

ID=84252161

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202211306827.6A Pending CN115438589A (zh) 2022-10-25 2022-10-25 一种基于bp神经网络的钓竿调性预测模型及其优化方法

Country Status (1)

Country Link
CN (1) CN115438589A (zh)

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116680993A (zh) * 2023-07-31 2023-09-01 东方空间技术(山东)有限公司 一种火箭发射数据的处理方法、装置及设备
CN117880861A (zh) * 2024-03-13 2024-04-12 季华实验室 一种nb-iot设备的信号强度优化方法及相关设备
CN118411055A (zh) * 2024-06-27 2024-07-30 广汽埃安新能源汽车股份有限公司 一种电动汽车充电桩网络能源需求预测方法及系统
CN118411055B (zh) * 2024-06-27 2024-10-25 广汽埃安新能源汽车股份有限公司 一种电动汽车充电桩网络能源需求预测方法及系统

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116680993A (zh) * 2023-07-31 2023-09-01 东方空间技术(山东)有限公司 一种火箭发射数据的处理方法、装置及设备
CN117880861A (zh) * 2024-03-13 2024-04-12 季华实验室 一种nb-iot设备的信号强度优化方法及相关设备
CN117880861B (zh) * 2024-03-13 2024-05-28 季华实验室 一种nb-iot设备的信号强度优化方法及相关设备
CN118411055A (zh) * 2024-06-27 2024-07-30 广汽埃安新能源汽车股份有限公司 一种电动汽车充电桩网络能源需求预测方法及系统
CN118411055B (zh) * 2024-06-27 2024-10-25 广汽埃安新能源汽车股份有限公司 一种电动汽车充电桩网络能源需求预测方法及系统

Similar Documents

Publication Publication Date Title
CN115438589A (zh) 一种基于bp神经网络的钓竿调性预测模型及其优化方法
Panagant et al. Truss topology, shape and sizing optimization by fully stressed design based on hybrid grey wolf optimization and adaptive differential evolution
Satapathy et al. A teaching learning based optimization based on orthogonal design for solving global optimization problems
Gencay et al. Nonlinear modelling and prediction with feedforward and recurrent networks
Toal et al. Kriging hyperparameter tuning strategies
He et al. Damage detection by an adaptive real-parameter simulated annealing genetic algorithm
CN106372278A (zh) 一种联合考虑输入参数不确定性和代理模型不确定性的灵敏度分析方法
CN112418482A (zh) 一种基于时间序列聚类的云计算能耗预测方法
CN110286586A (zh) 一种磁流变阻尼器混合建模方法
CN110991621A (zh) 一种基于通道数搜索卷积神经网络的方法
CN105512264A (zh) 分布式数据库中并发工作负载的性能预测方法
Bertrand Utility metrics for assessment and subset selection of input variables for linear estimation [tips & tricks]
CN116363423A (zh) 面向小样本学习的知识蒸馏方法、装置及存储介质
CN115983029A (zh) 一种航空装备可靠性仿真数字孪生模型构建方法、设备、介质
CN109146055A (zh) 基于正交化实验和人工神经网络的改进粒子群优化方法
CN113836174B (zh) 基于强化学习dqn算法的异步sql连接查询优化方法
CN114692523A (zh) 基于图卷积的自适应高维流体动力方程的流速预测方法
CN113255235A (zh) 飞行器复杂结构近似建模方法、装置、设备和介质
CN115935761B (zh) 设备的可靠性仿真方法、装置、计算机设备和存储介质
CN116384471A (zh) 模型剪枝方法、装置、计算机设备、存储介质和程序产品
Wang et al. Generalization of geometric graph neural networks
CN112214668B (zh) 一种基于大数据的个性化金融服务推荐装置和方法
CN115392594A (zh) 一种基于神经网络和特征筛选的用电负荷模型训练方法
CN114662658A (zh) 一种基于lstm神经网络的片上光网络热点预测方法
CN111563767A (zh) 股票价格预测方法及装置

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