[发明专利]神经网络建模方法及系统

权利要求书

1.一种神经网络建模方法，其特征在于，包括：

数据预处理的步骤：采集实际生产过程的历史数据，并筛选出样本数据；

神经网络初始化的步骤：初始化神经网络模型参数；

输出计算的步骤：根据所述模型以及样本输入计算神经网络模型的输出；

增益计算的步骤：根据所述模型参数以及样本数据计算模型输出相对于输入的增益。

2.根据权利要求1所述方法，其特征在于，还包括：

模型训练的步骤：根据模型输出与样本数据之间的误差以及模型的输入输出增益通过极值优化算法指导神经网络模型进行参数的迭代学习，直到得到满足精度要求以及增益约束的模型。

3.根据权利要求2所述方法，其特征在于，所述通过极值优化算法指导神经网络模型进行参数的迭代学习包括：

S1：系统初始化，随机产生神经网络的连接权值和偏置系数，将初始化的第一代染色体置为当前最优解；

S2：对染色体进行标准极值优化算法变异操作，确定变异之后的新解；

S3：计算模型的输出，根据所述模型以及样本输入计算神经网络模型的输出；

S4：计算增益惩罚值，对每个样本数据，判断其增益是否在预置的增益区间内：若是，增益惩罚值为0；否则，根据违背增益的严重程度确定增益惩罚值的大小；

S5：根据模型误差与增益惩罚值，计算出所述新解的全局适应度函数值；

S6：判断所述新解的全局适应度函数值是否优于所述当前最优解：若是，将所述新解的全局适应度函数值更新为最优解；否则，保持当前最优解不变；

S7：判断模型是否符合精度和增益约束要求：若是，终止；否则，重复上述步骤S2-S7直到满足误差要求。

4.根据权利要求3所述方法，其特征在于，所述增益惩罚值为预置的固定数值或者为根据增益违背情况设置的线性或非线性函数。

5.根据权利要求2、3或4所述方法，其特征在于，所述极值优化算法是基于实数编码实现的。

6.根据权利要求5所述方法，其特征在于，基于实数编码实现的极值优化算法包括：

在对模型的参数进行优化时，通过预置的对应关系将神经网络的参数矩阵编码成为极值优化算法中所用的由实数串表示的染色体格式；

在计算模型误差以及增益惩罚值时，将极值优化算法中使用的实数串表示的染色体解码后组装成为神经网络中的参数矩阵。

7.根据权利要求1、2、3或4所述方法，其特征在于，根据训练样本通过分步求导的方式计算出所述增益。

8.一种神经网络模型系统，其特征在于，包括：

数据预处理模块，用于采集实际过程的历史数据，并筛选出样本数据；

神经网络初始化模块，用于初始化神经网络模型参数；

输出计算模块，用于根据所述模型以及样本输入计算神经网络模型的输出；

增益计算模块，根据所述模型参数以及样本数据计算模型输出相对于输入的增益。

9.根据权利要求8所述系统，其特征在于，还包括：

模型训练模块，根据模型输出与样本数据之间的误差以及模型的输入输出增益通过极值优化算法指导神经网络模型进行参数的迭代学习。

10.根据权利要求9所述系统，其特征在于，

所述增益计算模块，用于判断每个样本数据的增益是否在预置的增益区间内：若是，增益惩罚值为0；否则，根据违背增益的严重程度确定增益惩罚值的大小；

所述模型训练模块，根据所述增益计算模块提供的增益惩罚值以及获取到的模型误差，对所述模型的参数进行优化。

11.根据权利要求9或10所述系统，其特征在于，所述模型训练模块是基于实数编码实现的。

12.根据权利要求9或10所述系统，其特征在于，所述增益计算模块通过分步求导的方式计算出所述增益。