遗传算法-人工神经网络提高数据分析处理效率

1.构建理论模型

1.1 BP神经网络

BP主要通过反复迭代网络权值和阈值从而促使总体网络的系统误差达到预定设计值或最小值。其主要分别由数据正向传播和误差的负向反馈两个过程。正向传播时，数据从输入层经由隐含层逐层传递直至输出层。若输出层拟合的数据并不是预期反馈值，则转向误差的负项反馈阶段，误差误差信号沿原通道返回，通过修改各项神经元的权值和阈值确保网络误差最小。求解过程如下：

（1）给神经元的各项权值和阈值随机初始化，确立网络输入和期望输出；（2）数据分别从输入层、隐含层、输出层逐层传递；（3）计算神经网络系统总误差；（4）不断修正权值：和阈值，确保误差最小；（5）如果输出值与期望值的误差精度或循环次数系统设置的总体要求，则输出结果，否则回到步骤（2）。

1.2 遗传算法

GA是通过交配将父本优秀的染色体和基因遗传给子代，通过染色体核基因的重新组合产生更优秀的新的个体及由它们组成的新群体，随着个体的不断更新，群体朝着最优方向进化。遗传算法是真实模拟自然界生物进化机制。研究的样本整体看做一个群体，每一个样本看做个体，组成样本的数据相当于生物钟组成染色体的基因，染色体用固定长度的二进制串表述，通过交换、突变等遗传操做，在一定范围内随机搜索，与目标值接近的保留，与目标值较差的被淘汰，是新的一代具备了上一代的优良性状，在性能上要优于上一代。由于遗传操作可以越过位垒，能跳出局部较优点，达到全局最优点。典型的算法步骤是：

（1）将问题的解用初始化的编码串表示（生物学术语称为染色体），每一个编码串代表一个系统解；

（2）系统随机产生一组初始群体，编码串长为m;

（3）分别将编码串转译成寻优参数，并用适用度函数（统称适应度阈值）进行评价；

（4）根据编码串个体适应值的高低，执行编码串复制、交叉和变异因子操作产生新一代群体；

（5）反复执行步骤2到步骤4,不断进化优化后的编码串群体，最后确定最适应问题的个体，求出问题的最优解。

1.3 ANN-GA模型

ANN-GA模型结构示意图如图1所示。

其具体流程如下：

2.数据处理范例

在这里，我们以对某型金属材料淬火数据处理为例，具体ANN-GA模型建立如下：

（1）以ANN网络中的输入变量淬火温度、淬火时间、冷却方式、回火温度分别作为遗传算法的种群，每个种群中样本的各个数据作为个体。以屈服强度、抗拉强度、延伸率的最大值作为适应度函数。

（2）在建立好的ANN模型范围内随机产生一样本，将每个样本自行进行复制、交叉、变异、遗传后产生一组新的样本。

（3）将产生的新样本迭代入ANN模型中进行预测，计算出新样本所对应的屈服强度、抗拉强度、延伸率及收缩率。

（4）若计算出的屈服强度、抗拉强度、延伸率及收缩率大于系统设置的适应度函数值，则输出新样本所对应的淬火温度、淬火时间、冷却方式及回火温度。反之，则重新循环执行2~4步骤，直至计算运算结束。

该材料化学成分见表1 .试样淬火温度分别为++950℃、1000℃、1050℃、1 1 0 0℃、1 1 5 0℃、1 2 0 0℃，淬火时间分别为3 0 m i n、4 5 m i n、6 0 m i n,冷却方式分别为水冷、空冷、油冷， 再测出00Cr13Ni5Mo马氏体不锈钢的抗拉强度、屈服强度、延伸率及收缩率。将各种各种工艺参数下的试样经过打磨、抛光，制成金相试样后，用专用腐蚀剂对试样进行腐蚀，利用Leica光学显微镜观察试样的微观组织。

选取具有代表性的实验数据作为样本进行训练，通过均方误差（RMSE）来描述实验值Ti与网络输出值Yi之间的精度。

为了平衡不同参数在网络训练过程中的权重，将热处理参数和力学性能样本数据分别规范在-1~1,其公式如（2）所示：

3.结果与讨论

3.1 BP网络模型

表2为采用各种网络算法下神经网络的运算结果。从表2可见，采用Traincgf算法的神经网络具有收敛运算耗时69.436s,RMSE为1.42%.因此，本文的构建的ANN模型网络采用Traincgf算法，网络结构为3-8-4,动量因子为0.4时，学习速率为0.2时，网络测试的均方误差值分别最小。

3.2 遗传算法优化结果

该材料的GA-ANN模型预测热处理参数模拟及实验结果如表3所示。从表3中可以看出，ANN-GA模型预测的的热处理参数与实验结果基本一致，最大RMSE为9.69%.

实验与模拟结果表明：该材料最优化的淬火工艺温度为1000~1050℃，淬火时间为30min,冷却方式为空冷。

4.结论

通过基于Traincgf算法对某型材料淬火数据的处理，建立了该型材料的淬火温度，保温时间、冷却方式与抗拉强度、屈服强度、延伸率等关系的ANN预测模型。

该模型能够比较有效的运用Traincgf算法的神经网络进行收敛运算，使得运算时间耗时最少，网络测试的均方误差值最小，ANN-GA模型预测的物理参数与检验结果基本一致，能够有效提高数据分析处理效率。