CN110232444B - 地质监测bp神经网络的优化方法、装置、设备及存储介质 - Google Patents

地质监测bp神经网络的优化方法、装置、设备及存储介质 Download PDF

Info

Publication number
CN110232444B
CN110232444B CN201910525396.4A CN201910525396A CN110232444B CN 110232444 B CN110232444 B CN 110232444B CN 201910525396 A CN201910525396 A CN 201910525396A CN 110232444 B CN110232444 B CN 110232444B
Authority
CN
China
Prior art keywords
neural network
optimized
network structure
algorithm
initial
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
CN201910525396.4A
Other languages
English (en)
Other versions
CN110232444A (zh
Inventor
张聪
曹文琪
张俊杰
陈方
樊翔宇
刘宇
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.)
Wuhan Polytechnic University
Original Assignee
Wuhan Polytechnic University
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 Wuhan Polytechnic University filed Critical Wuhan Polytechnic University
Priority to CN201910525396.4A priority Critical patent/CN110232444B/zh
Publication of CN110232444A publication Critical patent/CN110232444A/zh
Application granted granted Critical
Publication of CN110232444B publication Critical patent/CN110232444B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N33/00—Investigating or analysing materials by specific methods not covered by groups G01N1/00 - G01N31/00
    • G01N33/24—Earth materials
    • 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
    • G06N3/12—Computing arrangements based on biological models using genetic models
    • G06N3/126—Evolutionary algorithms, e.g. genetic algorithms or genetic programming
    • 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"

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Theoretical Computer Science (AREA)
  • Biophysics (AREA)
  • General Physics & Mathematics (AREA)
  • Business, Economics & Management (AREA)
  • General Health & Medical Sciences (AREA)
  • Biomedical Technology (AREA)
  • Strategic Management (AREA)
  • Chemical & Material Sciences (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Artificial Intelligence (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Evolutionary Biology (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Human Resources & Organizations (AREA)
  • Economics (AREA)
  • General Life Sciences & Earth Sciences (AREA)
  • Marketing (AREA)
  • Game Theory and Decision Science (AREA)
  • Remote Sensing (AREA)
  • Geology (AREA)
  • Operations Research (AREA)
  • Quality & Reliability (AREA)
  • Tourism & Hospitality (AREA)
  • General Business, Economics & Management (AREA)
  • Environmental & Geological Engineering (AREA)
  • Physiology (AREA)
  • Development Economics (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Genetics & Genomics (AREA)

Abstract

本发明涉及人工智能技术领域，公开了一种地质监测BP神经网络的优化方法、装置、设备及存储介质。该方法在对待优化地质监测BP神经网络进行优化时，通过将爬山算法、遗传算法和模拟退火算法与BP神经网络结合起来，实现局部和全局的搜索，从而使得优化后的BP神经网络相较于单纯利用遗传算法优化后的BP神经网络而言，能够有效提高全局收敛性、避免陷入局部极值。

Description

地质监测BP神经网络的优化方法、装置、设备及存储介质
技术领域
本发明涉及人工智能技术领域，尤其涉及一种地质监测BP神经网络的优化方法、装置、设备及存储介质。
背景技术
遗传算法是一种借鉴自然界适者生存、优胜劣汰的进化机制演化而来的高度并行、随机、自适应搜索算法，它目前被广泛地应用于机器学习、人工智能等领域。
反向传播神经网络(Back Propagation Neural Network，BP神经网络)是通过模拟人脑的神经***结构提出的一种智能化的算法，它按照误差逆向传播算法进行训练，前向传播过程中输入信息经过逐层计算，传向输出层，得到实际输出，若实际输出与期望输出之间的误差未能满足要求，则传入反向传播过程，通过误差逐层修改网络的权值与阈值向输入层进行传播，通过反复的前向与反向传播过程训练得到最优的权值与阈值以便达到其预测目标。
目前，为了改善BP神经网络收敛速度慢、易陷入局部极小值点等缺点，通常是将遗传算法与BP神经网络结合起来，以解决上述技术问题。但是，由于遗传算法依旧存在初始群体分布在局部地区，搜索范围受限、局部收敛性差、多样性在迭代后期降低等问题，因此目前这种将单纯利用遗传算法优化BP神经网络的方式并不理想。
上述内容仅用于辅助理解本发明的技术方案，并不代表承认上述内容是现有技术。
发明内容
本发明的主要目的在于提供一种地质监测BP神经网络的优化方法、装置、设备及存储介质，旨在解决上述技术问题。
为实现上述目的，本发明提供了一种地质监测BP神经网络的优化方法，所述方法包括以下步骤：
确定待优化地质监测BP神经网络的初始网络结构；
采用爬山算法、遗传算法和模拟退火算法对所述初始网络结构的初始权值和初始阈值进行全局寻优，得到优化权值和优化阈值；
获取训练数据，所述训练数据包括已知监测结果的土地的经度信息、维度信息、海拔信息和所属的功能区信息；
根据所述经度信息、所述维度信息、所述海拔信息和所述功能区信息对所述初始网络结构进行迭代训练，并在训练过程中修改所述最优权值和所述最优阈值，直到迭代次数达到预设最大迭代次数或满足停止迭代条件时停止训练；
将停止训练时的网络结构作为所述待优化地质监测BP神经网络的优化网络结构。
优选地，所述确定待优化地质监测BP神经网络的初始网络结构的步骤，包括：
确定所述待优化地质监测BP神经网络的输入层的神经元数和输出层的神经元数；
根据所述输入层的神经元数和所述输出层的神经元数，确定所述待优化地质监测BP神经网络的隐含层的神经元数的取值范围；
获取所述取值范围中各值的最小均方误差，并以所述最小均方误差所对应的神经元数作为所述隐含层的神经元数；
根据所述隐含层的神经元数，确定所述初始网络结构。
优选地，所述采用爬山算法、遗传算法和模拟退火算法对所述初始网络结构的初始权值和初始阈值进行全局寻优，得到优化权值和优化阈值的步骤，包括：
采用所述遗传算法对所述初始网络结构中的每个神经元进行实数编码，得到所述初始网络结构对应的种群数据集；
采用所述爬山算法对所述种群数据集进行种群划分，得到大种群和小种群；
采用所述爬山算法和所述遗传算法对所述小种群进行局部寻优，将寻找到的局部最优权值和局部最优阈值赋值给所述大种群；
采用所述遗传算法和所述模拟退火算法对所述大种群进行全局寻优，将寻找到的全局最优权值和全局最优阈值作为所述初始网络结构的最优权值和最优阈值。
优选地，所述采用所述爬山算法和所述遗传算法对所述小种群进行局部寻优的步骤，包括：
为所述小种群设置第一预测值和第一期望值；
根据所述第一预测值、所述第一期望值和第一适应度函数，计算所述小种群中每个神经元的第一适应度值；
采用所述遗传算法对所述小种群中每个神经元的第一适应度值反复进行选择、交叉、变异的遗传操作；
采用所述爬山算法对每次遗传操作后的小种群进行局部寻优，直到得到所述局部最优权值和局部最优阈值。
优选地，所述采用所述遗传算法和所述模拟退火算法对所述大种群进行全局寻优的步骤，包括：
为所述大种群设置第二预测值和第二期望值；
根据所述第二预测值、所述第二期望值和第二适应度函数，计算所述大种群中每个神经元的第二适应度值；
采用所述遗传算法对所述大种群中每个神经元的第二适应度值反复进行选择、交叉、变异的遗传操作；
采用模拟退火算法对每次遗传操作后的大种群进行全局寻优，直到得到所述全局最优权值和所述全局最优阈值。
优选地，所述获取训练数据的步骤，包括：
获取样本数据，对所述样本数据进行最大最小归一化处理，得到所述训练数据。
优选地，所述根据所述经度信息、所述维度信息、所述海拔信息和所述功能区信息对所述初始网络结构进行迭代训练的步骤，包括：
将所述所述经度信息、所述维度信息、所述海拔信息和所述功能区信息作为输入参数输入所述初始网络结构，对所述初始网络结构反复进行前向传播和反向传播的训练操作。
此外，为实现上述目的，本发明还提出一种地质监测BP神经网络的优化装置，所述装置包括：
第一确定模块，用于确定待优化地质监测BP神经网络的初始网络结构；
优化模块，用于采用爬山算法、遗传算法和模拟退火算法对所述初始网络结构的初始权值和初始阈值进行全局进化寻优，得到优化权值和优化阈值；
获取模块，用于获取训练数据，所述训练数据包括已知监测结果的土地的经度信息、维度信息、海拔信息和所属的功能区信息；
训练模块，用于根据所述经度信息、所述维度信息、所述海拔信息和所述功能区信息对所述初始网络结构进行迭代训练，并在训练过程中修改所述最优权值和所述最优阈值，直到迭代次数达到预设最大迭代次数或满足停止迭代条件时停止训练；
第二确定模块，用于将停止训练时的网络结构作为所述待优化地质监测BP神经网络的优化网络结构。
此外，为实现上述目的，本发明还提出一种地质监测BP神经网络的优化设备，所述设备包括：存储器、处理器及存储在所述存储器上并可在所述处理器上运行的地质监测BP神经网络的优化程序，所述地质监测BP神经网络的优化程序配置为实现如上文所述的地质监测BP神经网络的优化方法的步骤。
此外，为实现上述目的，本发明还提出一种计算机可读存储介质，所述计算机可读存储介质上存储有地质监测BP神经网络的优化程序，所述地质监测BP神经网络的优化程序被处理器执行时实现如上文所述的地质监测BP神经网络的优化方法的步骤。
本发明提供的地质监测BP神经网络的优化方案，在对待优化地质监测BP神经网络进行优化时，通过将爬山算法、遗传算法和模拟退火算法与BP神经网络结合起来，实现局部和全局的搜索，从而使得优化后的BP神经网络相较于单纯利用遗传算法优化后的BP神经网络而言，能够有效提高全局收敛性、避免陷入局部极值。
附图说明
图1是本发明实施例方案涉及的硬件运行环境的地质监测BP神经网络的优化设备的结构示意图；
图2为本发明地质监测BP神经网络的优化方法第一实施例的流程示意图；
图3为本发明地质监测BP神经网络的优化方法第二实施例的流程示意图；
图4为本发明地质监测BP神经网络的优化装置第一实施例的结构框图。
本发明目的的实现、功能特点及优点将结合实施例，参照附图做进一步说明。
具体实施方式
应当理解，此处所描述的具体实施例仅用以解释本发明，并不用于限定本发明。
参照图1，图1为本发明实施例方案涉及的硬件运行环境的地质监测BP神经网络的优化设备结构示意图。
如图1所示，该地质监测BP神经网络的优化设备可以包括：处理器1001，例如中央处理器(Central Processing Unit，CPU)，通信总线1002、用户接口1003，网络接口1004，存储器1005。其中，通信总线1002用于实现这些组件之间的连接通信。用户接口1003可以包括显示屏(Display)、输入单元比如键盘(Keyboard)，可选用户接口1003还可以包括标准的有线接口、无线接口。网络接口1004可选的可以包括标准的有线接口、无线接口(如无线保真(WIreless-FIdelity，WI-FI)接口)。存储器1005可以是高速的随机存取存储器(RandomAccess Memory，RAM)存储器，也可以是稳定的非易失性存储器(Non-Volatile Memory，NVM)，例如磁盘存储器。存储器1005可选的还可以是独立于前述处理器1001的存储装置。
本领域技术人员可以理解，图1中示出的结构并不构成对地质监测BP神经网络的优化设备的限定，可以包括比图示更多或更少的部件，或者组合某些部件，或者不同的部件布置。
如图1所示，作为一种存储介质的存储器1005中可以包括操作***、网络通信模块、用户接口模块以及地质监测BP神经网络的优化程序。
在图1所示的地质监测BP神经网络的优化设备中，网络接口1004主要用于与网络服务器进行数据通信；用户接口1003主要用于与用户进行数据交互；本发明地质监测BP神经网络的优化设备中的处理器1001、存储器1005可以设置在地质监测BP神经网络的优化设备中，所述地质监测BP神经网络的优化设备通过处理器1001调用存储器1005中存储的地质监测BP神经网络的优化程序，并执行本发明实施例提供的地质监测BP神经网络的优化方法。
本发明实施例提供了一种地质监测BP神经网络的优化方法，参照图2，图2为本发明一种地质监测BP神经网络的优化方法第一实施例的流程示意图。
本实施例中，所述地质监测BP神经网络的优化方法包括以下步骤：
步骤S10，确定待优化地质监测BP神经网络的初始网络结构。
应当理解的是，所谓BP神经网络，即通常所说的Back Propagation NeuralNetwork，是一种按照误差逆向传播算法训练出的多层前馈神经网络。
相应地，本实施例中所说的地质监测BP神经网络即为用于监测待监测土壤的地质信息的BP神经网络。
此外，应当理解的是，由于BP神经网络的网络结构通常包括三大层，分别是：输入层、隐含层(也称：中间层)和输出层。
并且，隐含层的层数以及每层隐含层中神经元的数目可以根据BP神经网络所需分析处理的数据量而定，此处不再赘述。
相应地，本实施例中确定的初始网络结构大致也可以划分为输入层、隐含层和输出层。
进一步地，为了保证后续优化所得的地质监测BP神经网络能够更好的对待监测土壤的地质信息进行预测，在确定所述初始网络结构的时候，还可以确定所述初始网络结构对应的激活函数、学习率、训练函数、性能函数和运动项系数等参数。
具体的说，在实际应用中，上述所说的训练函数具体根据后续对初始网络结构进行迭代训练时所选取的训练方法决定。
比如说，在将动量梯度下降法作为对所述初始网络结构的训练方法时，所述训练函数即为动量梯度下降(traingdm)函数。
此外，在具体应用中，所述性能函数具体可以采用均方误差(Mean Square Error，MES)函数。
所述激活函数、学习率和运动系数等参数，则可以根据实际情况来进行选取和确定。
应当理解的是，以上仅为举例说明，对本发明的技术方案并不构成任何限定，在具体应用中，本领域的技术人员可以根据需要进行设置，本发明对此不做限制。
此外，值得一提的是，本实施例的执行主体可以是任意具备处理功能的终端设备，比如计算机、平板电脑、手机等，此处不再一一列举，对此也不做任何限制。
步骤S20，采用爬山算法、遗传算法和模拟退火算法对所述初始网络结构的初始权值和初始阈值进行全局寻优，得到优化权值和优化阈值。
具体的说，本实施例具体是通过将爬山算法和遗传算法结合起来，对所述初始网络结构的初始权值和初始阈值进行局部寻优，然后将遗传算法和模拟退火算法结合起来，利用局部寻优得到的局部最优权值和局部最优阈值对所述初始网络结构进行全局寻优，进而得的所述初始网络结构对应的优化权值和优化阈值。
为了便于理解上述获取优化权值和优化阈值的操作，以下进行具体说明：
(1)采用所述遗传算法对所述初始网络结构中的每个神经元进行实数编码，得到所述初始网络结构对应的种群数据集。
具体的说，在遗传算法中，编码是把问题的各个潜在解转化成个体(染色体)的关键。而将整体转化成个体才有利于后续对不同大小种群的划分，进而提升最终寻优结果的准确性。
故，本实施例在对所述初始网络结构进行寻优操作之前，采用了遗传算法对所述初始网络结构中的每个神经元进行实数编码，进而得到所述初始网络结构对应的种群数据集，以便后续操作的使用。
此外，在实际应用中，本领域的技术人员还可以根据需要选择二进制编码、整数/字母排列编码或一般数据结构编码的方式对所述初始网络结构中的每个神经元进行编码，此处不做限制。
(2)采用所述爬山算法对所述种群数据集进行种群划分，得到大种群和小种群。
应当理解的是，所述爬山算法具体是一种具备择优的方法，主要利用反馈信息生成解的策略。为了保证后续操作中寻优结果的精准性，需要将得到的种群数据集进行随机划分，先得到大种群；然后选择大种群中每个个体周围预设范围内的其他个体，组合得到小种群。
也就是说，最先划分得到的大种群中个体是相对分散的，因而间隙较大。而根据大种群划分得到小种群中个体则是相对集中的，因而间隙较小。
(3)采用所述爬山算法和所述遗传算法对所述小种群进行局部寻优，将寻找到的局部最优权值和局部最优阈值赋值给所述大种群。
关于上述所说的采用所述爬山算法和所述遗传算法对所述小种群进行局部寻优的操作，具体实现流程大致如下：
首先，为所述小种群设置第一预测值和第一期望值。
具体的说，本实施例中所说的第一预测则和第一期望值在实际应用中，可以是由本领域的技术人员根据待优化地质监测BP神经网络后续需要分析的待监测土壤的相关数据，以及根据实验数据预估的分析结构和期望达到的结构设置的，此处不做限制。
然后，根据所述第一预测值、所述第一期望值和第一适应度函数，计算所述小种群中每个神经元的第一适应度值。
具体的说，在计算第一适应度值时，具体是采用第一适应度函数，求取所述第一预测值和所述第一期望值之间的误差绝对值，然后将得到的误差绝对值的倒数作为第一适应度值。
接着，采用所述遗传算法对所述小种群中每个神经元的第一适应度值反复进行选择、交叉、变异的遗传操作。
具体的说，在对所述小种群中每个神经元的第一适应度值反复进行选择、交叉、变异的遗传操作的时候，具体可以采用轮盘赌选择法对每个神经元的第一适应度值进行选择的遗传操作，采用实数交叉法对每个神经元的第一适应度值进行交叉的遗传操作，采用基本位变异算法对每个神经元的第一适应度值进行变异的遗传操作。
此外，为了使得上述遗传操作的迭代过程相对合理，可以预先设置一个最大迭代次数或者停止迭代的条件。
相应地，当上述反复进行的选择、交叉、变异的遗传操作达到最大迭代次数或者满足停止迭代的条件时，则停止执行上述遗传操作。
最后，采用所述爬山算法对每次遗传操作后的小种群进行局部寻优，直到得到所述局部最优权值和局部最优阈值。
具体的说，在进行局部寻优时，具体可以通过对小种群中每个神经元对应的权值和阈值进行遍历，然后将遍历到的任意两个权值和任意两个阈值进行比较，直到将所述小种群中所有神经元对应的权值和阈值全部进行对比完成后，便可以将得到上述所说的局部最优权值和局部最优阈值。
应当理解的是，以上仅为举例说明，对本发明的技术方案并不构成任何限定，在具体应用中，本领域的技术人员可以根据需要进行设置，本发明对此不做限制。
(4)采用所述遗传算法和所述模拟退火算法对所述大种群进行全局寻优，将寻找到的全局最优权值和全局最优阈值作为所述初始网络结构的最优权值和最优阈值。
关于上述所说的采用所述遗传算法和所述模拟退火算法对所述大种群进行全局寻优的操作，具体实现流程大致如下：
首先，为所述大种群设置第二预测值和第二期望值。
具体的说，本实施例中所说的第二预测则和第二期望值在实际应用中，可以是由本领域的技术人员根据待优化地质监测BP神经网络后续需要分析的待监测土壤的相关数据，以及根据实验数据预估的分析结构和期望达到的结构设置的，此处不做限制。
然后，根据所述第二预测值、所述第二期望值和第二适应度函数，计算所述大种群中每个神经元的第二适应度值。
具体的说，确定第二适应度值的方式与上述确定第一适应度值的方式大致相同，此处不再赘述。
此外，在实际应用中，第一适应度函数和第二适应度函数可以是相同的适应度函数，也可以是不同的适应度函数，此处不做限制。
接着，采用所述遗传算法对所述大种群中每个神经元的第二适应度值反复进行选择、交叉、变异的遗传操作。
具体的说，对所述大种群中每个神经元的第二适应度值反复进行选择、交叉、变异的遗传操作可以与对小种群中每个神经元的第一适应度值反复进行选择、交叉、变异的遗传操作大致相同，此处不再赘述。
此外，在实际应用中，对小种群和大种群进行的选择、交叉、变异等遗传操作可以选用相同的方法，也可以是不同的，此处不做限制。
最后，采用模拟退火算法对每次遗传操作后的大种群进行全局寻优，直到得到所述全局最优权值和所述全局最优阈值。
具体的说，在进行全局寻优时，具体可以通过对大种群中每个神经元对应的权值和阈值进行遍历，然后将遍历到的任意两个权值和任意两个阈值进行比较，直到将所述大种群中所有神经元对应的权值和阈值全部进行对比完成后，便可以将得到上述所说的全局最优权值和所述全局最优阈值。
此外，值得一提的是，在本实施例中，模拟退火算法具体为Metropolis算法(一种具体的马尔可夫链蒙特卡罗)，其主要用于对遍历到的任意两个权值和任意两个阈值进行比较，以选取出全局最优权值和所述全局最优阈值。
此外，在采用Metropolis算法寻优的过程中，初始温度可以设置为100℃。
进一步地，关于寻优过程中所需要的温度降低参数和模拟退火次数具体可以根据实际进行相关测试时的数据情况来确定，此处不做限制。
应当理解的是，以上仅为举例说明，对本发明的技术方案并不构成任何限定，在具体应用中，本领域的技术人员可以根据需要进行设置，本发明对此不做限制。
通过上述描述不难发现，由于小种群的间隙较小，因而先采用所述爬山算法和所述遗传算法对小种群进行局部寻优，将寻找到的最优值赋值给大种群，再采用采用所述遗传算法和所述模拟退火算法对间隙较大的大种群进行全局寻优，将寻找到的全局最优权值和全局最优阈值作为初始网络结构的最优权值和最优阈值，从而大大提升了后续训练获得的优化网络结构的全局收敛性，并且可以有效避免陷入局部极值。
步骤S30，获取训练数据。
具体的说，由于本实施例所说的地质监测BP神经网络主要是用于监测待监测土壤的地质信息的，因而所述训练数据需要包括已知监测结果的土地的经度信息、维度信息、海拔信息和所属的功能区信息。
此外，上述所说的功能区信息，在实际应用中，具体是由本领域的技术人员根据待监测土壤周边环境进行划分的，比如可以划分为居民区、商业区、农业区、畜牧区等，此处不再一一列举，对此也不做限制。
此外，在实际应用中，上述所说的训练数据具体可以是通过网络爬虫等数据爬取软件从各大数据平台获取到的不同土壤的样本数据而来的。
具体的，在利用网络爬取从个大数据平台获取到样本数据后，实质是通过对所述样本数据进行最大最小归一化处理才得到所述训练数据的。
应当理解的是，在实际应用中，不仅要保证优化后的地质监测BP神经网络预测数据的精准性，还要尽可能简化训练过程，以减小对终端设备的处理器资源的占用，同时加快计算速度。故，本实施例在保证训练结果准确性的前提下，通过对样本数据进行归一化处理，进而得到训练数据，从而大大简化了训练过程，有效减小对计算机设备处理器资源的占用，同时加快了计算速度。
步骤S40，根据所述经度信息、所述维度信息、所述海拔信息和所述功能区信息对所述初始网络结构进行迭代训练，并在训练过程中修改所述最优权值和所述最优阈值，直到迭代次数达到预设最大迭代次数或满足停止迭代条件时停止训练。
具体的说，本实施例中对所述初始网络结构进行的迭代训练具体为：将所述所述经度信息、所述维度信息、所述海拔信息和所述功能区信息作为输入参数输入所述初始网络结构，对所述初始网络结构反复进行前向传播和反向传播的训练操作。
为了便于理解，以下针对一次训练操作的过程进行具体说明：
首先，为已知监测结果的训练数据分配类别标签；
然后，利用携带所述类别标签的训练数据，即所述经度信息、所述维度信息、所述海拔信息和所述功能区信息，正向训练(前向传播的方式，即从输入层输入，经过隐含层，最后从输出层输出)所述初始网络结构，得到训练结果；
接着，将所述训练结果与携带所述类别标签的训练数据对应的已知监测结果进行对比，确定训练误差；
最后，利用携带所述类别标签的训练数据和所述训练误差，逆向训练(反向传播的方式，即从输出层输入，经过隐含层，最后从输入层输出)所述初始网络结构，并在逆向训练的过程中，根据所述训练误差修改所述最优权值和所述最优阈值，以完善训练结果。
应当理解的是，以上给出的仅为一种具体的训练方式，对本发明的技术方案并不构成任何限定，在具体应用中，本领域的技术人员可以根据需要进行设置，本发明对此不做限制。
步骤S50，将停止训练时的网络结构作为所述待优化地质监测BP神经网络的优化网络结。
进一步地，在实际应用中，在停止进行迭代训练，将当前的网络结构看作是所述待优化地质监测BP神经网络的优化网络结构之前，还可以对当前的网络结构进行测试，然后根据测试结果确定是否可以将当前的网络结构看作是优化网络结构。
关于测试过程，大致可以如下：
首先，获取初始测试数据；
然后，对所述初始测试数据进行预处理(需要与样本数据所进行的预处理一直，以便保证测试结果的有效性)，得到目标测试数据；
接着，对所述目标测试数据进行标记(标记过程具体是将用于输入上述网络结构的BP神经网络模型的测试数据和与所述测试数据对应的测试结果进行标记)；
接着，将标记后的目标测试数据作为输入数据输入当前网络结构的BP神经网络模型中，并获取该BP神经网络模型输出的测试结果；
最后，将输出的测试结果与所述目标测试数据对应的已标记的测试结果进行匹配，若两者匹配，则可以将当前的网络结构看作是优化网络结果，否则继续执行上述迭代训练。
应当理解的是，以上仅为举例说明，对本发明的技术方案并不构成任何限定，在具体应用中，本领域的技术人员可以根据需要进行设置，本发明对此不做限制。
通过上述描述不难发现，本实施例提供的地质监测BP神经网络的优化方法，在对待优化地质监测BP神经网络进行优化时，通过将爬山算法、遗传算法和模拟退火算法与BP神经网络结合起来，实现局部和全局的搜索，从而使得优化后的BP神经网络相较于单纯利用遗传算法优化后的BP神经网络而言，能够有效提高全局收敛性、避免陷入局部极值。
参考图3，图3为本发明一种地质监测BP神经网络的优化方法第二实施例的流程示意图。
需要说明的是，由于在实际应用中地质监测BP神经网络对待监测土壤的地质信息的预测精度主要取决于自身隐含层中神经元的数量，因而为了保证确定的初始网络结构能够尽可能的贴合实际，基于上述第一实施例，本实施例地质监测BP神经网络的优化方法给出了一种确定待优化地质监测BP神经网络的初始网络结构的具有实现方式，详见图3中步骤S10包括的四个子步骤：
子步骤S101，确定所述待优化地质监测BP神经网络的输入层的神经元数和输出层的神经元数。
具体的说，在实际应用中，所述待优化地质监测BP神经网络的输入层的神经元数和输出层的神经元数具体是根据所述待优化地质BP神经网络后期需要处理的数据量的大小确定的。
子步骤S102，根据所述输入层的神经元数和所述输出层的神经元数，确定所述待优化地质监测BP神经网络的隐含层的神经元数的取值范围。
子步骤S103，获取所述取值范围中各值的最小均方误差，并以所述最小均方误差所对应的神经元数作为所述隐含层的神经元数。
应当理解的是，在BP神经网络中，隐含层的神经元数的选择非常重要，它不仅对建立的BP神经网络模型的性能影响很大，而且是训练时出现“过拟合”的直接原因。
因而，为了能够确定一个贴合实际需要的隐含层的神经元数，本实施例通过子步骤S102和子步骤S103中给出的操作，尽可能的使确定的隐含层的神经元数贴合实际测量需求，从而使得最终优化后的地质监测BP神经网络能够对待监测土壤的地质信息进行合理预测，大大保证了预测结果的精准度。
此外，在实际应用中，为了能够确定一个贴合实际需要的隐含层的神经元数，还可以采用试凑法来确定隐含层的神经元数。
具体方式大致如下：
首先，为隐含层设置一个较小的神经元数来进行网络训练；
然后，逐渐增加隐含层的神经元数，并使用相同的训练数据进行网络训练；
最后，选取训练误差最小时所对应的神经元数据作为所述隐含层的神经元数。
子步骤S104，根据所述隐含层的神经元数，确定所述初始网络结构。
应当理解的是，以上给出的仅为一种确定待优化地质监测BP神经网络的初始网络结构的具有实现方式，对本发明的技术方案并不构成任何限定，在具体应用中，本领域的技术人员可以根据需要进行设置，本发明对此不做限制。
通过上述描述不难发现，本实施例提供的地质监测BP神经网络的优化方法，在确定所述待优化地质监测BP神经网络的初始网络结构时，通过根据输入层和输出层的神经元数来确定隐含层的神经元数的取值范围，然后根据该取值范围中各值的最小均方误差，最终以最小均方误差所对应的神经元数作为隐含层的神经元数，使得最终确定的待优化地质监测BP神经网络的初始网络结构能够更加贴近实际测量需求，从而使得最终优化后的地质监测BP神经网络能够对待监测土壤的地质信息进行合理预测，大大保证了预测结果的精准度。
此外，本发明实施例还提出一种计算机可读存储介质，所述计算机可读存储介质上存储有地质监测BP神经网络的优化程序，所述地质监测BP神经网络的优化程序被处理器执行时实现如上文所述的地质监测BP神经网络的优化方法的步骤。
参照图4，图4为本发明地质监测BP神经网络的优化装置第一实施例的结构框图。
如图4所示，本发明实施例提出的地质监测BP神经网络的优化装置包括：第一确定模块4001、优化模块4002、获取模块4003、训练模块4004和第二确定模块4005。
其中，第一确定模块4001，用于确定待优化地质监测BP神经网络的初始网络结构。
优化模块4002，用于采用爬山算法、遗传算法和模拟退火算法对所述初始网络结构的初始权值和初始阈值进行全局进化寻优，得到优化权值和优化阈值。
获取模块4003，用于获取训练数据。
应当理解的是，由于本实施例所说的地质监测BP神经网络的优化装置主要是用于监测待监测土壤的地质信息的，因而所述训练数据需要包括已知监测结果的土地的经度信息、维度信息、海拔信息和所属的功能区信息。
相应地，训练模块4004，用于根据所述经度信息、所述维度信息、所述海拔信息和所述功能区信息对所述初始网络结构进行迭代训练，并在训练过程中修改所述最优权值和所述最优阈值，直到迭代次数达到预设最大迭代次数或满足停止迭代条件时停止训练。
第二确定模块4005，用于将停止训练时的网络结构作为所述待优化地质监测BP神经网络的优化网络结构。
应当理解的是，本实施例中所涉及到的各模块均为逻辑模块，在实际应用中，一个逻辑单元可以是一个物理单元，也可以是一个物理单元的一部分，还可以以多个物理单元的组合实现。此外，为了突出本发明的创新部分，本实施例中并没有将与解决本发明所提出的技术问题关系不太密切的单元引入，但这并不表明本实施方式中不存在其它的单元。
此外，为了便于理解本实施例中提供的地质监测BP神经网络的优化装置在实际应用中各个功能模块的具体处理流程，以下针对所述优化模块4002、所述获取模块4003和所述训练模块4004的处理进行具体说明。
具体的，所述优化模块4002执行的采用爬山算法、遗传算法和模拟退火算法对所述初始网络结构的初始权值和初始阈值进行全局进化寻优，得到优化权值和优化阈值的操作，在具体应用中实现流程大致如下：
(1)采用所述遗传算法对所述初始网络结构中的每个神经元进行实数编码，得到所述初始网络结构对应的种群数据集。
(2)采用所述爬山算法对所述种群数据集进行种群划分，得到大种群和小种群。
(3)采用所述爬山算法和所述遗传算法对所述小种群进行局部寻优，将寻找到的局部最优权值和局部最优阈值赋值给所述大种群。
具体的说，上述采用所述爬山算法和所述遗传算法对所述小种群进行局部寻优的操作，大致如下：
首先，为所述小种群设置第一预测值和第一期望值；
然后，根据所述第一预测值、所述第一期望值和第一适应度函数，计算所述小种群中每个神经元的第一适应度值；
接着，采用所述遗传算法对所述小种群中每个神经元的第一适应度值反复进行选择、交叉、变异的遗传操作；
最后，采用所述爬山算法对每次遗传操作后的小种群进行局部寻优，直到得到所述局部最优权值和局部最优阈值。
采用所述遗传算法和所述模拟退火算法对所述大种群进行全局寻优，将寻找到的全局最优权值和全局最优阈值作为所述初始网络结构的最优权值和最优阈值。
具体的说，上述采用遗传算法和所述模拟退火算法对所述大种群进行全局寻优的操作，大致如下：
首先，为所述大种群设置第二预测值和第二期望值；
然后，根据所述第二预测值、所述第二期望值和第二适应度函数，计算所述大种群中每个神经元的第二适应度值；
接着，采用所述遗传算法对所述大种群中每个神经元的第二适应度值反复进行选择、交叉、变异的遗传操作；
最后，采用模拟退火算法对每次遗传操作后的大种群进行全局寻优，直到得到所述全局最优权值和所述全局最优阈值。
应当理解的是，以上给出的仅为一种采用爬山算法、遗传算法和模拟退火算法对所述初始网络结构的初始权值和初始阈值进行全局寻优，得到优化权值和优化阈值的具体实现方式，对本发明的技术方案并不构成任何限定，在具体应用中，本领域的技术人员可以根据需要进行设置，本发明对此不做限制。
此外，关于所述获取模块4003获取训练数据的操作，在具体应用中实现流程大致如下：
首先，获取样本数据；
然后，对所述样本数据进行最大最小归一化处理，进而得到所述训练数据。
应当理解的是，以上给出的仅为一种获取训练数据的具体实现方式，对本发明的技术方案并不构成任何限定，在具体应用中，本领域的技术人员可以根据需要进行设置，本发明对此不做限制。
此外，关于所述训练模块4004根据所述经度信息、所述维度信息、所述海拔信息和所述功能区信息对所述初始网络结构进行迭代训练的操作，在具体应用中实现流程大致如下：
将所述所述经度信息、所述维度信息、所述海拔信息和所述功能区信息作为输入参数输入所述初始网络结构，对所述初始网络结构反复进行前向传播和反向传播的训练操作。
应当理解的是，以上给出的仅为一种对所述初始网络结构进行迭代训练的具体实现方式，对本发明的技术方案并不构成任何限定，在具体应用中，本领域的技术人员可以根据需要进行设置，本发明对此不做限制。
通过上述描述不难发现，本实施例提供的地质监测BP神经网络的优化装置，在对待优化地质监测BP神经网络进行优化时，通过将爬山算法、遗传算法和模拟退火算法与BP神经网络结合起来，实现局部和全局的搜索，从而使得优化后的BP神经网络相较于单纯利用遗传算法优化后的BP神经网络而言，能够有效提高全局收敛性、避免陷入局部极值。
需要说明的是，以上所描述的工作流程仅仅是示意性的，并不对本发明的保护范围构成限定，在实际应用中，本领域的技术人员可以根据实际的需要选择其中的部分或者全部来实现本实施例方案的目的，此处不做限制。
另外，未在本实施例中详尽描述的技术细节，可参见本发明任意实施例所提供的地质监测BP神经网络的优化方法，此处不再赘述。
基于上述地质监测BP神经网络的优化装置的第一实施例，提出本发明地质监测BP神经网络的优化装置第二实施例。
需要说明的是，由于在实际应用中地质监测BP神经网络对待监测土壤的地质信息的预测精度主要取决于自身隐含层中神经元的数量，因而为了保证确定的初始网络结构能够尽可能的贴合实际，基于上述第一实施例，本实施例给出了一种确定待优化地质监测BP神经网络的初始网络结构的具有实现方式。
相应地，所述第一确定模块具体可以划分为输入层神经元数确定子模块、输出层神经元数确定子模块、隐含层神经元取值范围确定子模块、隐含层神经元数确定子模块和初始网络结构确定子模块。
具体的说，输入层神经元数确定子模块，用于确定所述待优化地质监测BP神经网络的输入层的神经元数。
所述输出层神经元数确定子模块，用于确定所述待优化地质监测BP神经网络的输入层的神经元数和输出层的神经元数。
所述隐含层神经元取值范围确定子模块，用于根据所述输入层的神经元数和所述输出层的神经元数，确定所述待优化地质监测BP神经网络的隐含层的神经元数的取值范围。
所述隐含层神经元数确定子模块，用于获取所述取值范围中各值的最小均方误差，并以所述最小均方误差所对应的神经元数作为所述隐含层的神经元数。
所述初始网络结构确定子模块，用于根据所述隐含层的神经元数，确定所述初始网络结构。
应当理解的是，本实施例中所涉及到的各模块均为逻辑模块，在实际应用中，一个逻辑单元可以是一个物理单元，也可以是一个物理单元的一部分，还可以以多个物理单元的组合实现。此外，为了突出本发明的创新部分，本实施例中并没有将与解决本发明所提出的技术问题关系不太密切的单元引入，但这并不表明本实施方式中不存在其它的单元。
通过上述描述不难发现，本实施例提供的地质监测BP神经网络的优化装置，在确定所述待优化地质监测BP神经网络的初始网络结构时，通过根据输入层和输出层的神经元数来确定隐含层的神经元数的取值范围，然后根据该取值范围中各值的最小均方误差，最终以最小均方误差所对应的神经元数作为隐含层的神经元数，使得最终确定的待优化地质监测BP神经网络的初始网络结构能够更加贴近实际测量需求，从而使得最终优化后的地质监测BP神经网络能够对待监测土壤的地质信息进行合理预测，大大保证了预测结果的精准度。
需要说明的是，以上所描述的工作流程仅仅是示意性的，并不对本发明的保护范围构成限定，在实际应用中，本领域的技术人员可以根据实际的需要选择其中的部分或者全部来实现本实施例方案的目的，此处不做限制。
另外，未在本实施例中详尽描述的技术细节，可参见本发明任意实施例所提供的地质监测BP神经网络的优化方法，此处不再赘述。
此外，需要说明的是，在本文中，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***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***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，并不排除在包括该要素的过程、方法、物品或者***中还存在另外的相同要素。
上述本发明实施例序号仅仅为了描述，不代表实施例的优劣。
通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到上述实施例方法可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件，但很多情况下前者是更佳的实施方式。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的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介质(如只读存储器(Read Only Memory，ROM)/RAM、磁碟、光盘)中，包括若干指令用以使得一台终端设备(可以是手机，计算机，服务器，或者网络设备等)执行本发明各个实施例所述的方法。
以上仅为本发明的优选实施例，并非因此限制本发明的专利范围，凡是利用本发明说明书及附图内容所作的等效结构或等效流程变换，或直接或间接运用在其他相关的技术领域，均同理包括在本发明的专利保护范围内。

Claims (10)

1.一种地质监测BP神经网络的优化方法，其特征在于，所述方法包括以下步骤：
确定待优化地质监测BP神经网络的初始网络结构；
采用爬山算法、遗传算法和模拟退火算法对所述初始网络结构的初始权值和初始阈值进行全局寻优，得到优化权值和优化阈值；
获取训练数据，所述训练数据包括已知监测结果的土地的经度信息、维度信息、海拔信息和所属的功能区信息；
根据所述经度信息、所述维度信息、所述海拔信息和所述功能区信息对所述初始网络结构进行迭代训练，并在训练过程中修改最优权值和最优阈值，直到迭代次数达到预设最大迭代次数或满足停止迭代条件时停止训练；
将停止训练时的网络结构作为所述待优化地质监测BP神经网络的优化网络结构。
2.如权利要求1所述的方法，其特征在于，所述确定待优化地质监测BP神经网络的初始网络结构的步骤，包括：
确定所述待优化地质监测BP神经网络的输入层的神经元数和输出层的神经元数；
根据所述输入层的神经元数和所述输出层的神经元数，确定所述待优化地质监测BP神经网络的隐含层的神经元数的取值范围；
获取所述取值范围中各值的最小均方误差，并以所述最小均方误差所对应的神经元数作为所述隐含层的神经元数；
根据所述隐含层的神经元数，确定所述初始网络结构。
3.如权利要求2所述的方法，其特征在于，所述采用爬山算法、遗传算法和模拟退火算法对所述初始网络结构的初始权值和初始阈值进行全局寻优，得到优化权值和优化阈值的步骤，包括：
采用所述遗传算法对所述初始网络结构中的每个神经元进行实数编码，得到所述初始网络结构对应的种群数据集；
采用所述爬山算法对所述种群数据集进行种群划分，得到大种群和小种群；
采用所述爬山算法和所述遗传算法对所述小种群进行局部寻优，将寻找到的局部最优权值和局部最优阈值赋值给所述大种群；
采用所述遗传算法和所述模拟退火算法对所述大种群进行全局寻优，将寻找到的全局最优权值和全局最优阈值作为所述初始网络结构的最优权值和最优阈值。
4.如权利要求3所述的方法，其特征在于，其特征在于，所述采用所述爬山算法和所述遗传算法对所述小种群进行局部寻优的步骤，包括：
为所述小种群设置第一预测值和第一期望值；
根据所述第一预测值、所述第一期望值和第一适应度函数，计算所述小种群中每个神经元的第一适应度值；
采用所述遗传算法对所述小种群中每个神经元的第一适应度值反复进行选择、交叉、变异的遗传操作；
采用所述爬山算法对每次遗传操作后的小种群进行局部寻优，直到得到所述局部最优权值和局部最优阈值。
5.如权利要求3所述的方法，其特征在于，所述采用所述遗传算法和所述模拟退火算法对所述大种群进行全局寻优的步骤，包括：
为所述大种群设置第二预测值和第二期望值；
根据所述第二预测值、所述第二期望值和第二适应度函数，计算所述大种群中每个神经元的第二适应度值；
采用所述遗传算法对所述大种群中每个神经元的第二适应度值反复进行选择、交叉、变异的遗传操作；
采用模拟退火算法对每次遗传操作后的大种群进行全局寻优，直到得到所述全局最优权值和所述全局最优阈值。
6.如权利要求1至5任一项所述的方法，其特征在于，所述获取训练数据的步骤，包括：
获取样本数据，对所述样本数据进行最大最小归一化处理，得到所述训练数据。
7.如权利要求1至5任一项所述的方法，其特征在于，所述根据所述经度信息、所述维度信息、所述海拔信息和所述功能区信息对所述初始网络结构进行迭代训练的步骤，包括：
将所述所述经度信息、所述维度信息、所述海拔信息和所述功能区信息作为输入参数输入所述初始网络结构，对所述初始网络结构反复进行前向传播和反向传播的训练操作。
8.一种地质监测BP神经网络的优化装置，其特征在于，所述装置包括：
第一确定模块，用于确定待优化地质监测BP神经网络的初始网络结构；
优化模块，用于采用爬山算法、遗传算法和模拟退火算法对所述初始网络结构的初始权值和初始阈值进行全局进化寻优，得到优化权值和优化阈值；
获取模块，用于获取训练数据，所述训练数据包括已知监测结果的土地的经度信息、维度信息、海拔信息和所属的功能区信息；
训练模块，用于根据所述经度信息、所述维度信息、所述海拔信息和所述功能区信息对所述初始网络结构进行迭代训练，并在训练过程中修改最优权值和最优阈值，直到迭代次数达到预设最大迭代次数或满足停止迭代条件时停止训练；
第二确定模块，用于将停止训练时的网络结构作为所述待优化地质监测BP神经网络的优化网络结构。
9.一种地质监测BP神经网络的优化设备，其特征在于，所述设备包括：存储器、处理器及存储在所述存储器上并可在所述处理器上运行的地质监测BP神经网络的优化程序，所述地质监测BP神经网络的优化程序配置为实现如权利要求1至7中任一项所述的地质监测BP神经网络的优化方法的步骤。
10.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质上存储有地质监测BP神经网络的优化程序，所述地质监测BP神经网络的优化程序被处理器执行时实现如权利要求1至7任一项所述的地质监测BP神经网络的优化方法的步骤。
CN201910525396.4A 2019-06-17 2019-06-17 地质监测bp神经网络的优化方法、装置、设备及存储介质 Active CN110232444B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910525396.4A CN110232444B (zh) 2019-06-17 2019-06-17 地质监测bp神经网络的优化方法、装置、设备及存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910525396.4A CN110232444B (zh) 2019-06-17 2019-06-17 地质监测bp神经网络的优化方法、装置、设备及存储介质

Publications (2)

Publication Number Publication Date
CN110232444A CN110232444A (zh) 2019-09-13
CN110232444B true CN110232444B (zh) 2023-03-28

Family

ID=67859469

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910525396.4A Active CN110232444B (zh) 2019-06-17 2019-06-17 地质监测bp神经网络的优化方法、装置、设备及存储介质

Country Status (1)

Country Link
CN (1) CN110232444B (zh)

Families Citing this family (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111324989B (zh) * 2020-03-19 2024-01-30 重庆大学 一种基于ga-bp神经网络的齿轮接触疲劳寿命预测方法
CN111336935A (zh) * 2020-03-31 2020-06-26 上海市计量测试技术研究院 一种基于改进混合优化算法的纳米薄膜参数反演计算方法
CN112700060B (zh) * 2021-01-08 2023-06-13 佳源科技股份有限公司 站所终端负荷预测方法和预测装置
CN112800673A (zh) * 2021-01-27 2021-05-14 昆明理工大学 一种基于sa-ga-bp算法预测***块度的方法
CN116502286B (zh) * 2023-05-24 2023-11-17 中国标准化研究院 一种基于边缘计算的标准信息的服务方法及其***

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104866904A (zh) * 2015-06-16 2015-08-26 中电科软件信息服务有限公司 一种基于spark的遗传算法优化的BP神经网络并行化方法
CN108876054A (zh) * 2018-07-06 2018-11-23 国网河南省电力公司郑州供电公司 基于改进遗传算法优化极限学习机的短期电力负荷预测方法

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
EP3282781A4 (en) * 2015-05-22 2018-05-16 Huawei Technologies Co., Ltd. Method and device for improving positioning performance of artificial neural network

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104866904A (zh) * 2015-06-16 2015-08-26 中电科软件信息服务有限公司 一种基于spark的遗传算法优化的BP神经网络并行化方法
CN108876054A (zh) * 2018-07-06 2018-11-23 国网河南省电力公司郑州供电公司 基于改进遗传算法优化极限学习机的短期电力负荷预测方法

Also Published As

Publication number Publication date
CN110232444A (zh) 2019-09-13

Similar Documents

Publication Publication Date Title
CN110232444B (zh) 地质监测bp神经网络的优化方法、装置、设备及存储介质
Goolsby et al. Rphylopars: fast multivariate phylogenetic comparative methods for missing data and within‐species variation
KR102302609B1 (ko) 신경망 아키텍처 최적화
Jiang et al. Deepurbanmomentum: An online deep-learning system for short-term urban mobility prediction
Shukla Neuro-genetic prediction of software development effort
Peterman et al. A comparison of popular approaches to optimize landscape resistance surfaces
CN110766142A (zh) 模型生成方法和装置
CN108021983A (zh) 神经架构搜索
CN111406264A (zh) 神经架构搜索
JP6775469B2 (ja) Ｏｄトラヒック予測装置、方法、及びプログラム
Azzouz et al. Steady state IBEA assisted by MLP neural networks for expensive multi-objective optimization problems
Minoarivelo et al. Detecting phylogenetic signal in mutualistic interaction networks using a Markov process model
CN110705688A (zh) 对操作事件进行风险评估的神经网络***、方法及装置
CN115017511A (zh) 一种源代码漏洞检测方法、装置以及存储介质
Lobato et al. Identification of an epidemiological model to simulate the COVID‐19 epidemic using robust multiobjective optimization and stochastic fractal search
CN113505924A (zh) 一种基于级联时空特征的信息传播预测方法及***
Czajkowski et al. Steering the interpretability of decision trees using lasso regression-an evolutionary perspective
Huang et al. Harnessing deep learning for population genetic inference
Bukkuri et al. Integrating eco‐evolutionary dynamics into matrix population models for structured populations: Discrete and continuous frameworks
KR102589525B1 (ko) 지진 취약 정보 제공 장치 및 방법, 지진 취약 정보 제공을 위한 학습 모델의 학습 방법
CN114338416A (zh) 一种时空多指标预测方法、装置和存储介质
Schön et al. Physarum learner: A bio-inspired way of learning structure from data
CN110955765A (zh) 智能助理的语料构建方法、装置、计算机设备和存储介质
CN114445692B (zh) 图像识别模型构建方法、装置、计算机设备及存储介质
CN115544307A (zh) 基于关联矩阵的有向图数据特征提取与表达方法和***

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