基于交叉验证的级联BP神经网络的焦炭质量预测模型
2018-09-07阎少宏吴宇航
信息记录材料 2018年10期
阎少宏,吴宇航
(华北理工大学理学院 河北 唐山 063210)
1 引言
近年来,优质煤的大量投入显著改善了焦炭质量,但焦炭质量预测仍停滞在经验和定性描述层面[1]。其实整个炼焦过程中包括了一系列的物化变化,也存在许多非线性因素。配煤炼焦过程及其相应的主要性能指标如图1所示[2]。而煤粒间是通过界面反应与键合连接成焦,其内部非线性的物理机制符合神经网络的特性。
2 交叉验证思想
交叉验证也称为循环估计,是一种没有任何前提假定直接进行估计泛化误差的模型选择方法,由于无假设且易于操作,交叉验证应用于各类模型选择中,具有普遍适用性。一般来说,交叉验证应该尽可能满足:训练集的比例足够大,通常超过50%;训练集和测试集需要被均匀取样。交叉验证的目的是为了获得可靠稳定的模型。
3 级联BP神经网络结构
BP神经网络收敛速度快但易落入局部最优解。相比之下的级联BP神经网络由于结构更为复杂,便具有了更强大的拟合能力与更稳定的收敛特性,最重要的是能保证决策的准确性和对错误神经元的包容性[3]。级联BP网络采用局部权值共享的方式,增加了网络的自由参数,每层神经元的接受域来源于前面各层的信号,在输出层拥有足够数量的自由参数来刻画样本集内部的特征,其网络拓扑结构如图2所示。

图1 配煤炼焦过程图

图2 级联BP神经网络拓扑结构图
4 基于交叉验证的级联BP神经网络焦炭质量预测模型
样本集按照比例被划分为训练集、验证集和测试集,训练集通过模型性能来选择最优参数,验证集周期性的测定训练误差,为避免网络对验证集的过度学习,采用测试集评定模型的泛化性能[4]。……
登录APP查看全文
