CN116933423A - 一种基于ga-bp神经网络的打叶风分工艺参数优化方法及装置 - Google Patents

一种基于ga-bp神经网络的打叶风分工艺参数优化方法及装置 Download PDF

Info

Publication number
CN116933423A
CN116933423A CN202310913097.4A CN202310913097A CN116933423A CN 116933423 A CN116933423 A CN 116933423A CN 202310913097 A CN202310913097 A CN 202310913097A CN 116933423 A CN116933423 A CN 116933423A
Authority
CN
China
Prior art keywords
neural network
threshing
process parameter
value
predicted
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
CN202310913097.4A
Other languages
English (en)
Inventor
唐剑宁
付龙
刘辉
王鹏
夏凡
黄沙
刘莉艳
张楚安
朱宝
钱传林
陆峰
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.)
China Tobacco Hubei Industrial LLC
Original Assignee
China Tobacco Hubei Industrial LLC
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 China Tobacco Hubei Industrial LLC filed Critical China Tobacco Hubei Industrial LLC
Priority to CN202310913097.4A priority Critical patent/CN116933423A/zh
Publication of CN116933423A publication Critical patent/CN116933423A/zh
Pending legal-status Critical Current

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/10—Geometric CAD
    • G06F30/17—Mechanical parametric or variational design
    • 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
    • G06N3/0499—Feedforward networks
    • 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
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G06N3/086—Learning methods using evolutionary algorithms, e.g. genetic algorithms or genetic programming

Landscapes

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

Abstract

本发明公开了一种基于GA‑BP神经网络的打叶风分工艺参数优化方法及装置，该方法包括选择待优化的打叶风分工艺参数，获取样本数据，并归一化样本数据；构建BP神经网络，并随机生成第一预设数量的预测数组；预测叶片结构指标预测值，计算叶片结构指标预测值与叶片结构指标实际值的预测差值，在BP神经网络中设置GA遗传算法适应度函数；根据打叶风分工艺参数的数量选择正交表进行正交试验，对正交试验结果进行极差分析，确定第一最佳工艺参数组合；基于赋值后的所述BP神经网络计算预测工艺参数值，得到第二最佳工艺参数组合。本方法极大的减小试验量，使得BP神经网络进行有针对性的预测，获取最优工艺参数组合无需进行大量试验。

Description

一种基于GA-BP神经网络的打叶风分工艺参数优化方法及 装置
技术领域
本申请涉及烟草加工技术领域，具体而言，涉及一种基于GA-BP神经网络的打叶风分工艺参数优化方法及装置。
背景技术
打叶复烤是将烟叶从农业产品转变为工业原料的一个整理和准备性的加工过程，经打叶复烤后，部分烟梗不再进行醇化和占用醇化库，使得烟片质量较为均匀，同时粉尘、杂物、碎末、短碎梗等在复烤厂便可就地处理，不必运送至卷烟厂，进而使运输量得以减少。
打叶风分过程是打叶复烤生产线的关键工序，其效果直接决定叶片结构质量，进而影响烟叶原料的有效利用和卷烟加工质量。其中，打叶是指采用打叶器将烟叶从烟梗上撕裂下来工序，打叶后的物料是包括烟片、烟梗和带梗叶的混合物，然后采用风分工艺，由风分器利用不同物料在均匀的上升气流中漂浮速度的不同，将烟片从该混合物中分离，经多次打叶和风分，便可得到具有合理结构的片烟。
在打叶风分过程中，打叶和风分的工艺参数对片烟的结构及质量具有密切的影响。为获取打叶风分的最优工艺参数，目前普遍设计正交试验，利用直观分析、方差分析、SSR检验、因素贡献度分析等分析方法来得出打叶风分优化参数的组合。但是，对于组合数量巨大且关系复杂的打叶复烤工艺而言，这样的分析方法需要进行大量的试验并反复调整参数，才能获得具有指导意义的参数组合。因此，现有的分析方法会导致试验范围过大，计算量过大，且得到的最优工艺参数存在盲目性，实际优化效果不佳。
发明内容
为了解决上述问题，本申请实施例提供了一种基于GA-BP神经网络的打叶风分工艺参数优化方法及装置。
第一方面，本申请实施例提供了一种基于GA-BP神经网络的打叶风分工艺参数优化方法，所述方法包括：
选择待优化的打叶风分工艺参数，获取样本数据，并归一化所述样本数据，所述样本数据包括各所述打叶风分工艺参数与叶片结构指标之间的历史对应数据，所述叶片结构指标包括大中片率、碎片率和叶中含梗率，所述打叶风分工艺参数包括至少一个打叶机转速和至少一个风选风机转速；
以所述打叶风分工艺参数为输入变量、所述叶片结构指标为输出变量构建BP神经网络，并随机生成第一预设数量的预测数组，所述预测数组包括初始权值和阈值；
基于所述BP神经网络预测所述预测数据对应的叶片结构指标预测值，计算所述叶片结构指标预测值与归一化后所述样本数据对应的叶片结构指标实际值的预测差值，在所述BP神经网络中设置GA遗传算法适应度函数，所述GA遗传算法适应度函数的适应度取值与所述预测差值的大小呈反比；
基于所述GA遗传算法适应度函数确定满足预设的适应度标准的目标个体，将所述目标个体的目标初始权值和目标阈值赋予所述BP神经网络；
根据所述打叶风分工艺参数的数量选择正交表进行正交试验，对正交试验结果进行极差分析，确定第一最佳工艺参数组合；
根据所述第一最佳工艺参数组合对应的工艺参数值范围选择预测工艺参数值，基于赋值后的所述BP神经网络计算所述预测工艺参数值，得到第二最佳工艺参数组合，并基于所述第二最佳工艺参数组合优化打叶机和风选风机的所述打叶风分工艺参数。
第二方面，本申请实施例提供了一种基于GA-BP神经网络的打叶风分工艺参数优化装置，所述装置包括：
选择模块，用于选择待优化的打叶风分工艺参数，获取样本数据，并归一化所述样本数据，所述样本数据包括各所述打叶风分工艺参数与叶片结构指标之间的历史对应数据，所述叶片结构指标包括大中片率、碎片率和叶中含梗率，所述打叶风分工艺参数包括至少一个打叶机转速和至少一个风选风机转速；
构建模块，用于以所述打叶风分工艺参数为输入变量、所述叶片结构指标为输出变量构建BP神经网络，并随机生成第一预设数量的预测数组，所述预测数组包括初始权值和阈值；
计算模块，用于基于所述BP神经网络预测所述预测数据对应的叶片结构指标预测值，计算所述叶片结构指标预测值与归一化后所述样本数据对应的叶片结构指标实际值的预测差值，在所述BP神经网络中设置GA遗传算法适应度函数，所述GA遗传算法适应度函数的适应度取值与所述预测差值的大小呈反比；
确定模块，用于基于所述GA遗传算法适应度函数确定满足预设的适应度标准的目标个体，将所述目标个体的目标初始权值和目标阈值赋予所述BP神经网络；
正交模块，用于根据所述打叶风分工艺参数的数量选择正交表进行正交试验，对正交试验结果进行极差分析，确定第一最佳工艺参数组合；
优化模块，用于根据所述第一最佳工艺参数组合对应的工艺参数值范围选择预测工艺参数值，基于赋值后的所述BP神经网络计算所述预测工艺参数值，得到第二最佳工艺参数组合，并基于所述第二最佳工艺参数组合优化打叶机和风选风机的所述打叶风分工艺参数。
第三方面，本申请实施例提供了一种电子设备，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计算机程序时实现如第一方面或第一方面的任意一种可能的实现方式提供的方法的步骤。
第四方面，本申请实施例提供了一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现如第一方面或第一方面的任意一种可能的实现方式提供的方法。
本发明的有益效果为：1.通过设计多因素的正交试验，并运用极差分析法可有效确定影响试验结果的主次因素，进而确定最佳的工艺参数组合，在该最佳工艺参数组合附近选取小范围的工艺参数值，进行BP神经网络的预测，由此极大的减小试验量，使得BP神经网络进行有针对性的预测，进而有助于解决现有技术中为获取最优工艺参数组合需进行大量试验且效率低下的技术问题。
2.BP神经网络经由现有样本数据的训练后，可对各工艺参数组合对应的叶片结构进行预测，由此达到减小试验量、降低试验成本、提高试验效率的目的。
3.通过遗传算法实现对BP神经网络初始权值和阀值的寻优计算，使得BP神经网络的参数配置达到最优，进而减小测试误差，提高预测的稳定性和精确度，有助于获取最优工艺参数组合效率的提高。
4.以训练后的BP神经网络预测结果为遗传算法的适应度值，通过遗传算法再次进行寻优计算，在所选取的较小工艺参数范围内，寻找全局最优解，以获最优工艺参数组合，可有效提高模型的预测精准度。
附图说明
为了更清楚地说明本申请实施例中的技术方案，下面将对实施例中所需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申请的一些实施例，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为本申请实施例提供的一种基于GA-BP神经网络的打叶风分工艺参数优化方法的流程示意图；
图2为本申请实施例提供的一种基于GA-BP神经网络的打叶风分工艺参数优化装置的结构示意图；
图3为本申请实施例提供的一种电子设备的结构示意图。
具体实施方式
下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行清楚、完整地描述。
在下述介绍中，术语“第一”、“第二”仅为用于描述的目的，而不能理解为指示或暗示相对重要性。下述介绍提供了本申请的多个实施例，不同实施例之间可以替换或者合并组合，因此本申请也可认为包含所记载的相同和/或不同实施例的所有可能组合。因而，如果一个实施例包含特征A、B、C，另一个实施例包含特征B、D，那么本申请也应视为包括含有A、B、C、D的一个或多个所有其他可能的组合的实施例，尽管该实施例可能并未在以下内容中有明确的文字记载。
下面的描述提供了示例，并且不对权利要求书中阐述的范围、适用性或示例进行限制。可以在不脱离本申请内容的范围的情况下，对描述的元素的功能和布置做出改变。各个示例可以适当省略、替代或添加各种过程或组件。例如所描述的方法可以以所描述的顺序不同的顺序来执行，并且可以添加、省略或组合各种步骤。此外，可以将关于一些示例描述的特征组合到其他示例中。
参见图1，图1是本申请实施例提供的一种基于GA-BP神经网络的打叶风分工艺参数优化方法的流程示意图。在本申请实施例中，所述方法包括：
S101、选择待优化的打叶风分工艺参数，获取样本数据，并归一化所述样本数据，所述样本数据包括各所述打叶风分工艺参数与叶片结构指标之间的历史对应数据，所述叶片结构指标包括大中片率、碎片率和叶中含梗率，所述打叶风分工艺参数包括至少一个打叶机转速和至少一个风选风机转速。
本申请的执行主体可以是云端服务器。
在本申请的一个实施例中，将选择能够基本反映打叶风分效果的大中片率、碎片率和叶中含梗率作为打叶风分产出叶片结构的评判指标，并选择至少一个打叶机转速和至少一个风选风机转速作为打叶风分工艺参数。此外，云端服务器还将从历史数据库中获取一定数量的样本数据，样本数据中包括各打叶风分工艺参数与叶片结构指标之间的历史对应数据，根据历史对应数据能够确定出各打叶风分工艺参数具体为某个值时对应的各叶片结构指标分别为多少，进而在后续训练过程中作为训练判断的数据依据。获取到样本数据后，考虑到样本输入量的数量级较易引起数值问题，为避免输入及权重两极化导致的不等的数值问题，为了便于后续的计算，会对样本数据进行归一化。通过归一化处理，将样本数据的数值大小稳定在[0，1]区间内。同样的，后续构建出模型后，模型也会在输出结果之前，对输出结果进行反归一化。
归一化的数学模型为：
其中，XK和YK分别为原始数据和归一化后数据；XMAX和XMIN分别为原始数据的最大值和最小值；YMAX和YMIN分别为归一化后数据所在区间的端点值。
在一种可实施方式中，所述选择待优化的打叶风分工艺参数，包括：
在预设的工艺流程数据库中获取打叶风分工艺流程中各工艺参数与叶片结构指标之间的关系权重，基于由大到小的权重排序分别在打叶机和风选风机中选择第二预设数量的打叶机工艺参数和第三预设数量的风选风机工艺参数作为待优化的打叶风分工艺参数。
在本申请的一个实施例中，由于影响叶片结构指标的打叶风分工艺参数较多，因此工作人员会预先采用正交试验分析打叶风分历史数据的工艺参数与叶片结构指标间的关系，构建出工艺流程数据库，以此来确定工艺参数对叶片结构指标的影响权重排序。接着，通过筛选出权重相对较大即显著影响叶片结构的工艺参数，在保证叶片指标可靠的同时可极大的减小研究试验次数，确保合理的最优工艺参数选取，经试验，本例中选取包括一打打叶机转速、二打打叶机转速、三打打叶机转速、四打打叶机转速、五打打叶机转速、七分风选风机转速、八分风选风机转速的共七个打叶风分工艺参数。打叶风分工艺参数确定后，对应的归一化样本数据可以如表1所示：
表1归一化的样本数据
S102、以所述打叶风分工艺参数为输入变量、所述叶片结构指标为输出变量构建BP神经网络，并随机生成第一预设数量的预测数组，所述预测数组包括初始权值和阈值。
在本申请的一个实施例中，为了实现对最优工艺参数组合的选取，减小试验次数，云端服务器将以打叶风分工艺参数作为输入变量构建输入层，以大中片率、碎片率和叶中含梗率这些叶片结构指标为输出变量构建输出层，构建BP神经网络进行不同工艺参数对应叶片结构指标的预测。BP神经网络是一种按误差逆传播算法训练的多层前馈网络，通过梯度下降法反向传播来不断调整网络的权值和阈值，使网络的误差平方和最小，从而拟合出输入数据与输出数据之间的非线性映射关系，由此，通过BP神经网络拟合工艺参数与叶片结构指标间的非线性映射关系，可以实现对其他工艺参数对应的叶片结构指标的精准预测，进而根据预测结果选取最优的工艺参数组合。
构建好BP神经网络后，需确定层间不同连接的初始权重系数和阀值，以及神经元激活函数，以便于形成拟合关系。示例性的，隐含层的激活函数可以选择tansig函数，输出层激活函数可以选择线性函数purelin函数，训练函数可以选择trainbfg函数，迭代次数maxgen可以为100次，训练目标最小误差可以设置为0.0001，学习率可以取0.01，并在在输入层和隐含层之间设置newff函数，用于构建神经网络并设置参数，在隐含层和输出层之间设置trainParam函数，用于避免因为数量级而引起较大的误差。其中，由于隐含层激活函数为S型函数，使得神经网络具有非线性拟合能力，且由于输出层激活函数为线性函数，使得其输出不受限制，从而提高单隐层的数据拟合能力，确保神经网络的简单有效。
然而，对于BP神经网络初始权值和阀值的选取数值，会直接影响神经网络的稳定性及精确度。为提高BP神经网络的容错性和可靠性，减少一定的预测误差，后续将采用遗传算法对BP神经网络进行优化，以选取最优的神经网络初始权值和阀值。因此，首先将随机生成第一预设数量的预测数组，每个预测数组中设置有初始权值和阈值。由于BP神经网络的初始权值和阀值一般处于0～1之间，因此，一般将在[0,1]区间内随机生成对应BP神经网络的初始权值和阀值。
在一种可实施方式中，所述BP神经网络设置有P各隐含层节点，其中，K为调整参数，N为所述第二预设数量，M为所述第三预设数量。
在本申请的一个实施例中，一般而言，将设置10个隐含层神经元数，使得预测误差相对较低。在其他的一些实施例中，也可以选取其他数量的隐含层节点，对隐含层数量不作具体限定。BP神经网络各层确定完后，将相邻层间的神经元间全连接，即可构成具有一定层次结构的前馈神经网络模型。
在一种可实施方式中，所述预测数组中的所述初始权值和阈值采用二进制、格雷码和浮点数编码中的任意一种方式表示。
在本申请的一个实施例中，由于遗传算法不能直接处理问题空间的参数，因此，必须通过编码将要求解的问题(即初始权值和阈值)表示成遗传空间的染色体或者个体，实现表现形到基因型的转换。具体编码形式可以采用二进制、格雷码或浮点数编码形式。其中，由于二进制编码类似于生物染色体的组成，更易用于生物遗传理论解释，并使得遗传操作中的交叉和变异容易实现，故一般优选二进制编码形式，对随机产生的各组初始权值和阀值进行编码。
S103、基于所述BP神经网络预测所述预测数据对应的叶片结构指标预测值，计算所述叶片结构指标预测值与归一化后所述样本数据对应的叶片结构指标实际值的预测差值，在所述BP神经网络中设置GA遗传算法适应度函数，所述GA遗传算法适应度函数的适应度取值与所述预测差值的大小呈反比。
在本申请的一个实施例中，云端服务器会在BP神经网络中设置遗传算法，设置了遗传算法后，该BP神经网络实质上是一个GA-BP神经网络。遗传算法初始化后，云端服务器会选取一定比例的归一化样本数据对BP神经网络进行训练，并进行BP神经网络的预测。其中，BP神经网络初始权值和阀值设为前述随机生成的预测数组中的各权值和阀值。根据叶片结构指标预测值和叶片结构指标实际值的预测差值，可以计算出预测与样本数据间的误差函数，进而以此确定遗传算法的适应度函数，使得适应度取值与误差量成反比，这样可以选择预测误差较小的初始权值和阀值进行迭代，便于经由数次迭代后获得预测与实际输出间误差最小所对应的BP神经网络初始权值和阀值数据。
其中，适应度函数的作用是评定每一个染色体即初始权值和阀值的质量，也叫评价函数，是选择优质即对应优秀叶片结构指标的染色体的依据。遗传算法在选择个体时，依赖于适应度函数对每个个体的质量评定而不会受其他外部信息的影响，个体适应度越好，那么它就越容易被选择。适应度的取值需与误差量成反比，以此使得误差量越小对应的适应度取值越大，进而越容易被选择，依次达到选择最优的初始权值和阀值，提高BP网络预测精度的目的。
适应度函数可以为：
其中，T为训练样本的个数，a为BP神经网络实际输出，t为BP神经网络期望输出。
适应度函数还可以为：
其中，C为的最大值估计，T为训练样本的个数，a为BP神经网络实际输出，t为BP神经网络期望输出。
示例性的，设置的遗传算法中，迭代次数maxgen为100次，训练次数为1000次，学习速率设置为0.01，训练目标最小误差设置为0.0001，初始种群规模sizepop为70，交叉概率pcross为0.2，变异概率pmutation为0.8。以前述打叶风分工艺参数选取了7个为例，BP神经网络的结构为7-10-3的三层网络形式，因此编码长度为S＝7*10+10*3+7+3＝110，但是考虑到初始种群规模太大会导致网络收敛较慢，而初始种群规模较小时会降低网络训练精度，故会设置待优化的初始种群规模为70，以达到最优的遗传算法效果。
S104、基于所述GA遗传算法适应度函数确定满足预设的适应度标准的目标个体，将所述目标个体的目标初始权值和目标阈值赋予所述BP神经网络。
在本申请的一个实施例中，云端服务器会预先设置一个期望值作为适应度标准，GA遗传算法适应度函数会对种群进行迭代直至得到一个满足适应度标准的目标个体，并将目标个体的目标初始权值和目标阈值赋予BP神经网络，后续将以根据目标个体赋值的BP神经网络来进行计算。
在一种可实施方式中，所述基于所述GA遗传算法适应度函数确定满足预设的适应度标准的目标个体，包括：
基于所述GA遗传算法适应度函数计算各所述预测数组对应的第一适应度值，选择所述第一适应度值最高的第一个体进入下一代种群，并对所述第一个体进行交叉和变异；
重复所述基于所述GA遗传算法适应度函数计算各所述预测数组对应的第一适应度值，选择所述第一适应度值最高的第一个体进入下一代种群，并对所述第一个体进行交叉和变异的步骤，直至存在所述第一适应度值满足预设的适应度标准的目标个体。
在本申请的一个实施例中，将以适应度值为标准对每组权值和阈值进行比较，选择适应度最大的个体进入给下一代种群，并根据设置的交叉概率和变异概率将适应的个体进行适应的交叉和变异操作，生成新的个体，遗传给下一代。其中，将采用轮盘赌选择法选择适应度最大的个体。
在一种可实施方式中，所述将所述目标个体的目标初始权值和目标阈值赋予所述BP神经网络之后，还包括：
将归一化后的所述样本数据随机划分为训练数据和验证数据，基于所述训练数据训练所述BP神经网络，并基于所述验证数据验证训练后的所述BP神经网络的预测结果准确度。
在本申请的一个实施例中，云端服务器将按照9:1的比例划分训练数据和验证数据，对赋值后的BP神经网络进行训练，使得神经网络继续不断调整权值和阀值后实现对工艺参数与叶片结构指标间的关系拟合，进而根据该关系进行其余工艺参数下的叶片结构指标预测。此外，为了判断经遗传算法优化后的BP神经网络的预测准确度，将比对预测值与验证数据中实际值间的误差，从而判断BP神经网络的预测精确度。
S105、根据所述打叶风分工艺参数的数量选择正交表进行正交试验，对正交试验结果进行极差分析，确定第一最佳工艺参数组合。
在本申请的一个实施例中，经遗传算法优化后的BP神经网络已可实现较高精度的叶片结构指标预测，而为得到使大中叶片率、碎片率和叶中含梗率都相对俱佳的打叶风分工艺参数，还将选用正交表安排正交试验，试验获取在不同工艺参数组合下叶片结构指标。以前述7个打叶风分工艺参数为例，将选用正交表L18(7因素3水平)，具体数据设置如表2、表3所示。
表2正交试验因素水平
表3正交试验参数设计表
经试验得到不同打叶风分工艺参数对大中叶片率、碎片率和叶中含梗率指标后，还需要对不同工艺参数对叶片结构指标的变化影响进行直观分析，如表4所示，对正交试验数据进行极差分析，其中，K1、K2和K3分别代表试验中水平1、2、3指标的平均值，R为极差，P为方差。
表4出片率极差分析
在极差分析中，根据各指标均值的大小来确定各因素的最佳工艺组合。当大中片率越高，碎片率和叶中含梗率越低时，叶片结构越合理，由此可以得出第一最佳工艺参数组合。以表4为例，根据指标均值大小关系，可从表中数据得出，关于大中片率的最优工艺组合为A2B1C1D2E2F2G1,极差最大的为二打转速，最小的为五打转速；关于碎片率和叶中含梗率的最优工艺组合为A2B1C3D2E2F3G2。
S106、根据所述第一最佳工艺参数组合对应的工艺参数值范围选择预测工艺参数值，基于赋值后的所述BP神经网络计算所述预测工艺参数值，得到第二最佳工艺参数组合，并基于所述第二最佳工艺参数组合优化打叶机和风选风机的所述打叶风分工艺参数。
在本申请的一个实施例中，为得到叶中含梗率、大中片率和碎片率都相对最佳的工艺参数，云端服务器还将在正交试验结果的极差分析中得到的第一最佳工艺参数组合中各参数的附近范围，即工艺参数值范围中,选取预测工艺参数值。接着，根据赋值后的BP神经网络对各个预测工艺参数值进行计算，以从各个计算结果中确定出全局最优的第二最佳工艺参数组合，并根据第二最佳工艺参数组合来优化打叶机和风选风机的实际工艺参数。
示例性的，根据前述正交试验极差分析结果，并结合表2，可知大中叶片率的第一最佳工艺参数组合为A2B1C1D2E2F2G1对应的工艺参数为：一打转速493r/min、二打转速471r/min、三打转速619r/min、四打转速795r/min、五打转速794r/min、七分风选风机转速49Hz、八分风选风机转速45Hz；碎片率和叶中含梗率的第一最佳工艺参数组合为A2B1C3D2E2F3G2对应的工艺参数为：一打转速493r/min、二打转速471r/min、三打转速621r/min、四打转速795r/min、五打转速794r/min、七分风选风机转速50Hz、八分风选风机转速46Hz。
设定的工艺参数值范围具体为：一打转速范围为483～493r/min、二打转速范围为471～480r/min、三打转速范围为620～621r/min、四打转速范围为792～796r/min、五打转速范围为794～796r/min、七分风选风机转速范围为48～49Hz、八分风选风机转速范围为46～47Hz。
在一种可实施方式中，所述基于赋值后的所述BP神经网络计算所述预测工艺参数值，得到第二最佳工艺参数组合，包括：
基于赋值后的所述BP神经网络计算所述预测工艺参数值，得到预测结果；
将所述预测结果作为GA遗传算法的个体适应度值，基于所述个体适应度值对所述BP神经网络进行预设次数的选择、交叉和变异后，求得所述BP神经网络的全局最优解，所述全局最优解即为第二最佳工艺参数组合。
在本申请的一个实施例中，云端服务器将GA－BP神经网络预测结果作为遗传算法的个体适应度值，以此来对应选择大中片率高、碎片率和叶中含梗率低的个体进行迭代，进而经过多次通过选择、交叉和变异操作来寻找待优化函数模型的全局最优解，即第二最佳工艺参数组合。
试验表明，经过1000次迭代后，大中片率收敛于83.42％，叶中含梗率收敛于4.4％，碎片率收敛于7.5％，由遗传算法得到的最优工艺参数值如表5所示。
表5遗传算法寻优结果
示例性的，将采用本申请经过赋值和训练后得到的BP神经网络模型，即采用经遗传算法优化后的GA-BP模型所再次遗传优化得到第二最佳工艺参数组合在打叶风分线上进行试验，所得结果如表6所示，GA-BP的预测结果与实际试验结果接近，大中片率、叶中含梗率、碎片率获得参数优化后的数值与GA-BP寻优的预测值之间相对误差均小于5％，且比通过正交试验极差分析获得的结果更好，说明GA-BP模型具有精准的预测能力，能够有效地提高出片率。此外，由于正交试验设计存在一定的误差，容易在最佳工艺参数配置中出现误差波动，造成参数选择出错，具有局限性，GA－BP模型能够好地排除这类误差，具有较高的可靠性。
表6出片率结果对比
此外，通过结合遗传算法对BP神经网络进行优化，把最优的初始权值和阈值赋给神经网络，可很大程度改善预测的稳定性和精确度。为验证遗传算法对BP神经网络的优化效果，本例选取随机7组数据对BP神经模型与经遗传算法优化后的GA-BP神经模型进行预测分析，结果如表7所示，从中可知，BP神经网络的决定系数R2为91％。GA-BP神经网络的决定系数R2为98％其中，R2可以用来表示BP神经网络的拟合精度，两者的值均接近于1，则表明两种模型准确度较高，且均能较为准确的预测。但是GA-BP网络模型的R2比未优化的BP网络模型提高了7％，BP网络模型误差百分比为0.08，GA-BP网络模型误差百分比为0.04，误差百分比平均值减少0.04。
表7BP与GA-BP预测误差
从预测结果可以看出，BP神经网络在预测方面仍然存在着一定的误差，导致BP神经网路的误差的原因可能来自由于试验数据的误差导致的误差或者神经网络本身的模型存在误差。因此，通过遗传算法可以提高BP神经网络的容错性和可靠性，减少一定的预测误差，BP神经网络的初始权值、阈值在经过遗传算法优化后，网络的性能相比优化前更加稳定，预测值与真实值更为接近。
下面将结合附图2，对本申请实施例提供的基于GA-BP神经网络的打叶风分工艺参数优化装置进行详细介绍。需要说明的是，附图2所示的基于GA-BP神经网络的打叶风分工艺参数优化装置，用于执行本申请图1所示实施例的方法，为了便于说明，仅示出了与本申请实施例相关的部分，具体技术细节未揭示的，请参照本申请图1所示的实施例。
请参见图2，图2是本申请实施例提供的一种基于GA-BP神经网络的打叶风分工艺参数优化装置的结构示意图。如图2所示，所述装置包括：
选择模块201，用于选择待优化的打叶风分工艺参数，获取样本数据，并归一化所述样本数据，所述样本数据包括各所述打叶风分工艺参数与叶片结构指标之间的历史对应数据，所述叶片结构指标包括大中片率、碎片率和叶中含梗率，所述打叶风分工艺参数包括至少一个打叶机转速和至少一个风选风机转速；
构建模块202，用于以所述打叶风分工艺参数为输入变量、所述叶片结构指标为输出变量构建BP神经网络，并随机生成第一预设数量的预测数组，所述预测数组包括初始权值和阈值；
计算模块203，用于基于所述BP神经网络预测所述预测数据对应的叶片结构指标预测值，计算所述叶片结构指标预测值与归一化后所述样本数据对应的叶片结构指标实际值的预测差值，在所述BP神经网络中设置GA遗传算法适应度函数，所述GA遗传算法适应度函数的适应度取值与所述预测差值的大小呈反比；
确定模块204，用于基于所述GA遗传算法适应度函数确定满足预设的适应度标准的目标个体，将所述目标个体的目标初始权值和目标阈值赋予所述BP神经网络；
正交模块205，用于根据所述打叶风分工艺参数的数量选择正交表进行正交试验，对正交试验结果进行极差分析，确定第一最佳工艺参数组合；
优化模块206，用于根据所述第一最佳工艺参数组合对应的工艺参数值范围选择预测工艺参数值，基于赋值后的所述BP神经网络计算所述预测工艺参数值，得到第二最佳工艺参数组合，并基于所述第二最佳工艺参数组合优化打叶机和风选风机的所述打叶风分工艺参数。
在一种可实施方式中，选择模块201包括：
选择单元，用于在预设的工艺流程数据库中获取打叶风分工艺流程中各工艺参数与叶片结构指标之间的关系权重，基于由大到小的权重排序分别在打叶机和风选风机中选择第二预设数量的打叶机工艺参数和第三预设数量的风选风机工艺参数作为待优化的打叶风分工艺参数。
在一种可实施方式中，所述BP神经网络设置有P各隐含层节点，其中，K为调整参数，N为所述第二预设数量，M为所述第三预设数量。
在一种可实施方式中，确定模块204包括：
第一计算单元，用于基于所述GA遗传算法适应度函数计算各所述预测数组对应的第一适应度值，选择所述第一适应度值最高的第一个体进入下一代种群，并对所述第一个体进行交叉和变异；
重复单元，用于重复所述基于所述GA遗传算法适应度函数计算各所述预测数组对应的第一适应度值，选择所述第一适应度值最高的第一个体进入下一代种群，并对所述第一个体进行交叉和变异的步骤，直至存在所述第一适应度值满足预设的适应度标准的目标个体。
在一种可实施方式中，确定模块204还包括：
训练单元，用于将归一化后的所述样本数据随机划分为训练数据和验证数据，基于所述训练数据训练所述BP神经网络，并基于所述验证数据验证训练后的所述BP神经网络的预测结果准确度。
在一种可实施方式中，优化模块206包括：
第二计算单元，用于基于赋值后的所述BP神经网络计算所述预测工艺参数值，得到预测结果；
寻优单元，用于将所述预测结果作为GA遗传算法的个体适应度值，基于所述个体适应度值对所述BP神经网络进行预设次数的选择、交叉和变异后，求得所述BP神经网络的全局最优解，所述全局最优解即为第二最佳工艺参数组合。
在一种可实施方式中，所述预测数组中的所述初始权值和阈值采用二进制、格雷码和浮点数编码中的任意一种方式表示。
本领域的技术人员可以清楚地了解到本申请实施例的技术方案可借助软件和/或硬件来实现。本说明书中的“单元”和“模块”是指能够独立完成或与其他部件配合完成特定功能的软件和/或硬件，其中硬件例如可以是现场可编程门阵列(Field－ProgrammableGate Array，FPGA)、集成电路(Integrated Circuit，IC)等。
本申请实施例的各处理单元和/或模块，可通过实现本申请实施例所述的功能的模拟电路而实现，也可以通过执行本申请实施例所述的功能的软件而实现。
参见图3，其示出了本申请实施例所涉及的一种电子设备的结构示意图，该电子设备可以用于实施图1所示实施例中的方法。如图3所示，电子设备300可以包括：至少一个中央处理器301，至少一个网络接口304，用户接口303，存储器305，至少一个通信总线302。
其中，通信总线302用于实现这些组件之间的连接通信。
其中，用户接口303可以包括显示屏(Display)、摄像头(Camera)，可选用户接口303还可以包括标准的有线接口、无线接口。
其中，网络接口304可选的可以包括标准的有线接口、无线接口(如WI-FI接口)。
其中，中央处理器301可以包括一个或者多个处理核心。中央处理器301利用各种接口和线路连接整个电子设备300内的各个部分，通过运行或执行存储在存储器305内的指令、程序、代码集或指令集，以及调用存储在存储器305内的数据，执行终端300的各种功能和处理数据。可选的，中央处理器301可以采用数字信号处理(Digital SignalProcessing，DSP)、现场可编程门阵列(Field-Programmable Gate Array，FPGA)、可编程逻辑阵列(Programmable Logic Array，PLA)中的至少一种硬件形式来实现。中央处理器301可集成中央中央处理器(Central Processing Unit，CPU)、图像中央处理器(GraphicsProcessing Unit，GPU)和调制解调器等中的一种或几种的组合。其中，CPU主要处理操作系统、用户界面和应用程序等；GPU用于负责显示屏所需要显示的内容的渲染和绘制；调制解调器用于处理无线通信。可以理解的是，上述调制解调器也可以不集成到中央处理器301中，单独通过一块芯片进行实现。
其中，存储器305可以包括随机存储器(Random Access Memory，RAM)，也可以包括只读存储器(Read-Only Memory)。可选的，该存储器305包括非瞬时性计算机可读介质(non-transitory computer-readable storage medium)。存储器305可用于存储指令、程序、代码、代码集或指令集。存储器305可包括存储程序区和存储数据区，其中，存储程序区可存储用于实现操作系统的指令、用于至少一个功能的指令(比如触控功能、声音播放功能、图像播放功能等)、用于实现上述各个方法实施例的指令等；存储数据区可存储上面各个方法实施例中涉及到的数据等。存储器305可选的还可以是至少一个位于远离前述中央处理器301的存储装置。如图3所示，作为一种计算机存储介质的存储器305中可以包括操作系统、网络通信模块、用户接口模块以及程序指令。
在图3所示的电子设备300中，用户接口303主要用于为用户提供输入的接口，获取用户输入的数据；而中央处理器301可以用于调用存储器305中存储的基于GA-BP神经网络的打叶风分工艺参数优化应用程序，并具体执行以下操作：
选择待优化的打叶风分工艺参数，获取样本数据，并归一化所述样本数据，所述样本数据包括各所述打叶风分工艺参数与叶片结构指标之间的历史对应数据，所述叶片结构指标包括大中片率、碎片率和叶中含梗率，所述打叶风分工艺参数包括至少一个打叶机转速和至少一个风选风机转速；
以所述打叶风分工艺参数为输入变量、所述叶片结构指标为输出变量构建BP神经网络，并随机生成第一预设数量的预测数组，所述预测数组包括初始权值和阈值；
基于所述BP神经网络预测所述预测数据对应的叶片结构指标预测值，计算所述叶片结构指标预测值与归一化后所述样本数据对应的叶片结构指标实际值的预测差值，在所述BP神经网络中设置GA遗传算法适应度函数，所述GA遗传算法适应度函数的适应度取值与所述预测差值的大小呈反比；
基于所述GA遗传算法适应度函数确定满足预设的适应度标准的目标个体，将所述目标个体的目标初始权值和目标阈值赋予所述BP神经网络；
根据所述打叶风分工艺参数的数量选择正交表进行正交试验，对正交试验结果进行极差分析，确定第一最佳工艺参数组合；
根据所述第一最佳工艺参数组合对应的工艺参数值范围选择预测工艺参数值，基于赋值后的所述BP神经网络计算所述预测工艺参数值，得到第二最佳工艺参数组合，并基于所述第二最佳工艺参数组合优化打叶机和风选风机的所述打叶风分工艺参数。
本申请还提供一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现上述方法的步骤。其中，计算机可读存储介质可以包括但不限于任何类型的盘，包括软盘、光盘、DVD、CD-ROM、微型驱动器以及磁光盘、ROM、RAM、EPROM、EEPROM、DRAM、VRAM、闪速存储器设备、磁卡或光卡、纳米系统(包括分子存储器IC)，或适合于存储指令和/或数据的任何类型的媒介或设备。
需要说明的是，对于前述的各方法实施例，为了简单描述，故将其都表述为一系列的动作组合，但是本领域技术人员应该知悉，本申请并不受所描述的动作顺序的限制，因为依据本申请，某些步骤可以采用其他顺序或者同时进行。其次，本领域技术人员也应该知悉，说明书中所描述的实施例均属于优选实施例，所涉及的动作和模块并不一定是本申请所必须的。
在上述实施例中，对各个实施例的描述都各有侧重，某个实施例中没有详述的部分，可以参见其他实施例的相关描述。
在本申请所提供的几个实施例中，应该理解到，所揭露的装置，可通过其它的方式实现。例如，以上所描述的装置实施例仅仅是示意性的，例如所述单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些服务接口，装置或单元的间接耦合或通信连接，可以是电性或其它的形式。
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
另外，在本申请各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。
所述集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储器中。基于这样的理解，本申请的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的全部或部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储器中，包括若干指令用以使得一台计算机设备(可为个人计算机、服务器或者网络设备等)执行本申请各个实施例所述方法的全部或部分步骤。而前述的存储器包括：U盘、只读存储器(Read-Only Memory，ROM)、随机存取存储器(Random Access Memory，RAM)、移动硬盘、磁碟或者光盘等各种可以存储程序代码的介质。
本领域普通技术人员可以理解上述实施例的各种方法中的全部或部分步骤是可以通进程序来指令相关的硬件来完成，该程序可以存储于一计算机可读存储器中，存储器可以包括：闪存盘、只读存储器(Read-Only Memory，ROM)、随机存取器(Random AccessMemory，RAM)、磁盘或光盘等。
以上所述者，仅为本公开的示例性实施例，不能以此限定本公开的范围。即但凡依本公开教导所作的等效变化与修饰，皆仍属本公开涵盖的范围内。本领域技术人员在考虑说明书及实践这里的公开后，将容易想到本公开的其实施方案。本申请旨在涵盖本公开的任何变型、用途或者适应性变化，这些变型、用途或者适应性变化遵循本公开的一般性原理并包括本公开未记载的本技术领域中的公知常识或惯用技术手段。说明书和实施例仅被视为示例性的，本公开的范围和精神由权利要求限定。

Claims (10)

1.一种基于GA-BP神经网络的打叶风分工艺参数优化方法，其特征在于，所述方法包括：
选择待优化的打叶风分工艺参数，获取样本数据，并归一化所述样本数据，所述样本数据包括各所述打叶风分工艺参数与叶片结构指标之间的历史对应数据，所述叶片结构指标包括大中片率、碎片率和叶中含梗率，所述打叶风分工艺参数包括至少一个打叶机转速和至少一个风选风机转速；
以所述打叶风分工艺参数为输入变量、所述叶片结构指标为输出变量构建BP神经网络，并随机生成第一预设数量的预测数组，所述预测数组包括初始权值和阈值；
基于所述BP神经网络预测所述预测数据对应的叶片结构指标预测值，计算所述叶片结构指标预测值与归一化后所述样本数据对应的叶片结构指标实际值的预测差值，在所述BP神经网络中设置GA遗传算法适应度函数，所述GA遗传算法适应度函数的适应度取值与所述预测差值的大小呈反比；
基于所述GA遗传算法适应度函数确定满足预设的适应度标准的目标个体，将所述目标个体的目标初始权值和目标阈值赋予所述BP神经网络；
根据所述打叶风分工艺参数的数量选择正交表进行正交试验，对正交试验结果进行极差分析，确定第一最佳工艺参数组合；
根据所述第一最佳工艺参数组合对应的工艺参数值范围选择预测工艺参数值，基于赋值后的所述BP神经网络计算所述预测工艺参数值，得到第二最佳工艺参数组合，并基于所述第二最佳工艺参数组合优化打叶机和风选风机的所述打叶风分工艺参数。
2.根据权利要求1所述的方法，其特征在于，所述选择待优化的打叶风分工艺参数，包括：
在预设的工艺流程数据库中获取打叶风分工艺流程中各工艺参数与叶片结构指标之间的关系权重，基于由大到小的权重排序分别在打叶机和风选风机中选择第二预设数量的打叶机工艺参数和第三预设数量的风选风机工艺参数作为待优化的打叶风分工艺参数。
3.根据权利要求2所述的方法，其特征在于，所述BP神经网络设置有P各隐含层节点，其中，K为调整参数，N为所述第二预设数量，M为所述第三预设数量。
4.根据权利要求1所述的方法，其特征在于，所述基于所述GA遗传算法适应度函数确定满足预设的适应度标准的目标个体，包括：
基于所述GA遗传算法适应度函数计算各所述预测数组对应的第一适应度值，选择所述第一适应度值最高的第一个体进入下一代种群，并对所述第一个体进行交叉和变异；
重复所述基于所述GA遗传算法适应度函数计算各所述预测数组对应的第一适应度值，选择所述第一适应度值最高的第一个体进入下一代种群，并对所述第一个体进行交叉和变异的步骤，直至存在所述第一适应度值满足预设的适应度标准的目标个体。
5.根据权利要求1所述的方法，其特征在于，所述将所述目标个体的目标初始权值和目标阈值赋予所述BP神经网络之后，还包括：
将归一化后的所述样本数据随机划分为训练数据和验证数据，基于所述训练数据训练所述BP神经网络，并基于所述验证数据验证训练后的所述BP神经网络的预测结果准确度。
6.根据权利要求1所述的方法，其特征在于，所述基于赋值后的所述BP神经网络计算所述预测工艺参数值，得到第二最佳工艺参数组合，包括：
基于赋值后的所述BP神经网络计算所述预测工艺参数值，得到预测结果；将所述预测结果作为GA遗传算法的个体适应度值，基于所述个体适应度值对所述BP神经网络进行预设次数的选择、交叉和变异后，求得所述BP神经网络的全局最优解，所述全局最优解即为第二最佳工艺参数组合。
7.根据权利要求1所述的方法，其特征在于，所述预测数组中的所述初始权值和阈值采用二进制、格雷码和浮点数编码中的任意一种方式表示。
8.一种基于GA-BP神经网络的打叶风分工艺参数优化装置，其特征在于，所述装置包括：
选择模块，用于选择待优化的打叶风分工艺参数，获取样本数据，并归一化所述样本数据，所述样本数据包括各所述打叶风分工艺参数与叶片结构指标之间的历史对应数据，所述叶片结构指标包括大中片率、碎片率和叶中含梗率，所述打叶风分工艺参数包括至少一个打叶机转速和至少一个风选风机转速；
构建模块，用于以所述打叶风分工艺参数为输入变量、所述叶片结构指标为输出变量构建BP神经网络，并随机生成第一预设数量的预测数组，所述预测数组包括初始权值和阈值；
计算模块，用于基于所述BP神经网络预测所述预测数据对应的叶片结构指标预测值，计算所述叶片结构指标预测值与归一化后所述样本数据对应的叶片结构指标实际值的预测差值，在所述BP神经网络中设置GA遗传算法适应度函数，所述GA遗传算法适应度函数的适应度取值与所述预测差值的大小呈反比；
确定模块，用于基于所述GA遗传算法适应度函数确定满足预设的适应度标准的目标个体，将所述目标个体的目标初始权值和目标阈值赋予所述BP神经网络；
正交模块，用于根据所述打叶风分工艺参数的数量选择正交表进行正交试验，对正交试验结果进行极差分析，确定第一最佳工艺参数组合；
优化模块，用于根据所述第一最佳工艺参数组合对应的工艺参数值范围选择预测工艺参数值，基于赋值后的所述BP神经网络计算所述预测工艺参数值，得到第二最佳工艺参数组合，并基于所述第二最佳工艺参数组合优化打叶机和风选风机的所述打叶风分工艺参数。
9.一种电子设备，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计算机程序时实现如权利要求1-7任一项所述方法的步骤。
10.一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，所述计算机程序被处理器执行时实现如权利要求1-7任一项所述方法的步骤。
CN202310913097.4A 2023-07-25 2023-07-25 一种基于ga-bp神经网络的打叶风分工艺参数优化方法及装置 Pending CN116933423A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202310913097.4A CN116933423A (zh) 2023-07-25 2023-07-25 一种基于ga-bp神经网络的打叶风分工艺参数优化方法及装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202310913097.4A CN116933423A (zh) 2023-07-25 2023-07-25 一种基于ga-bp神经网络的打叶风分工艺参数优化方法及装置

Publications (1)

Publication Number Publication Date
CN116933423A true CN116933423A (zh) 2023-10-24

Family

ID=88375121

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202310913097.4A Pending CN116933423A (zh) 2023-07-25 2023-07-25 一种基于ga-bp神经网络的打叶风分工艺参数优化方法及装置

Country Status (1)

Country Link
CN (1) CN116933423A (zh)

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117389234A (zh) * 2023-12-05 2024-01-12 云南烟叶复烤有限责任公司 一种卧式打叶机组叶片结构指标智能控制系统
CN117725841A (zh) * 2024-02-04 2024-03-19 宝鸡核力材料科技有限公司 一种用于提升tc4卷带成材率的方法及系统
CN118014009A (zh) * 2024-02-26 2024-05-10 广芯微电子（广州）股份有限公司 一种基于遗传算法的神经网络初值寻优方法

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117389234A (zh) * 2023-12-05 2024-01-12 云南烟叶复烤有限责任公司 一种卧式打叶机组叶片结构指标智能控制系统
CN117389234B (zh) * 2023-12-05 2024-03-22 云南烟叶复烤有限责任公司 一种卧式打叶机组叶片结构指标智能控制系统
CN117725841A (zh) * 2024-02-04 2024-03-19 宝鸡核力材料科技有限公司 一种用于提升tc4卷带成材率的方法及系统
CN117725841B (zh) * 2024-02-04 2024-04-30 宝鸡核力材料科技有限公司 一种用于提升tc4卷带成材率的方法及系统
CN118014009A (zh) * 2024-02-26 2024-05-10 广芯微电子（广州）股份有限公司 一种基于遗传算法的神经网络初值寻优方法

Similar Documents

Publication Publication Date Title
CN116933423A (zh) 一种基于ga-bp神经网络的打叶风分工艺参数优化方法及装置
CN106408223A (zh) 基于气象相似日及误差校正的短期负荷预测方法
Serra‐Varela et al. Does phylogeographical structure relate to climatic niche divergence? A test using maritime pine (P inus pinaster A it.)
WO2021073541A1 (zh) 一种基于光谱相似度的校正集和验证集的选择及建模方法
CN105808426B (zh) 一种用于弱变异测试的路径覆盖测试数据生成方法
ODDOU‐MURATORIO et al. Impacts of gene flow and logging history on the local genetic structure of a scattered tree species, Sorbus torminalis L. Crantz
CN110348615B (zh) 基于蚁群优化支持向量机的电缆线路故障概率预测方法
CN109858714B (zh) 基于改进神经网络的烟丝质检指标预测方法、装置及系统
CN110083951B (zh) 一种基于变压器相关运行数据的固体绝缘寿命预测方法
CN113361761A (zh) 一种基于误差修正的短期风电功率集成预测方法及系统
CN104331773A (zh) 一种电网规划方案综合评估方法
Crawford et al. A hyperheuristic approach for dynamic enumeration strategy selection in constraint satisfaction
CN110111606A (zh) 一种基于eemd-iaga-bp神经网络的船舶交通流预测方法
CN104281522B (zh) 基于语句覆盖和缺陷检测的多目标测试数据缩减方法
CN114578087B (zh) 基于非支配排序和随机模拟算法的风速不确定性度量方法
CN111860858B (zh) 一种模型更新参数的确定方法、确定装置及可读存储介质
Cotes et al. A Bayesian approach for assessing the stability of genotypes
CN114202065B (zh) 一种基于增量式演化lstm的流数据预测方法及装置
CN105930272A (zh) 基于重要语句的分支覆盖测试数据生成方法
CN106919504B (zh) 一种基于ga算法的测试数据进化生成方法
Rick et al. Reference genome choice and filtering thresholds jointly influence phylogenomic analyses
Karimnezhad et al. Incorporating prior knowledge about genetic variants into the analysis of genetic association data: An empirical Bayes approach
Machado et al. Population structure and intraspecific ecological niche differentiation point to lineage divergence promoted by polyploidization in Psidium cattleyanum (Myrtaceae)
CN113868848B (zh) 加权灰靶算法和模拟退火法的变压器状态评估方法
CN115345343A (zh) 一种供水管网浊度的预测方法及预测装置

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