[发明专利]基于贝叶斯神经网络算法的蒸汽管网预测系统

权利要求书

1.基于贝叶斯神经网络算法的蒸汽管网预测系统，其特征在于：包括实时数据库服务器、应用服务器、关系数据库服务器和工程师站；

所述实时数据库服务器具有数据采集模块和实时数据库，数据采集模块用于采集现场数据并将其存储于实时数据库中，实时数据库用于向贝叶斯神经网络预测模块提供现场数据；

所述应用服务器具有贝叶斯神经网络预测模块，应用服务器与实时数据库服务器连接，所述贝叶斯神经网络预测模块采用贝叶斯神经网络算法，用于根据现场数据计算出蒸汽管网的运行工况模型和数据；

所述关系数据库服务器具有关系数据库，所述关系数据库的端口分别与应用服务器和工程师站连接，用于存储贝叶斯神经网络预测模块计算得出的运行工况模型和数据；

所述工程师站具有数据显示模块，该数据显示模块用于读取并显示关系数据库中存储的运行工况模型和数据；所述数据显示模块具有数据接口部分，用于向贝叶斯神经网络预测模块输入数据。

2.一种用于蒸汽管网预测系统的贝叶斯神经网络算法，其特征在于：所述算法流程如下：

1）计算贝叶斯神经网络的误差函数J_D：

JD=12Σk=1KΣn=1N(dnk-onk)2]]>

式中，d_nk为网络的实际输出，o_nk为期望输出值，k为样本个数，n为神经网络的输出量个数；

2）计算权衰减项J_W：

JW=12||w||2=12Σi=1wwi2]]>

W为权值向量，w为权值个数，w_i为第i个权值；

3）将总误差函数定义为F(w)：

F(W)=αJ_W+βJ_D

式中，α,β为超参数，用于控制权值和阈值的分布形式；超参数的大小决定着贝叶斯神经网络的训练目标，若α＜＜β，则侧重于减小训练误差，但可能过拟合；若α＞＞β，则侧重于限制权值规模，但可能误差较大；

4）计算超参数α,β的后验概率分布：

p(α,β|D,H)=p(D|α,β,H)p(α,β|H)p(D|H)]]>

式中，p(α，β|H)为超参数α,β的先验概率，p(D|H)是归一化因子，p(D|α,β，H)为似然函数，D为训练样本总数，H为网络参数；

5）分别对超参数α,β求偏导，以求出具有最大显著度时超参数的值；

αMP=γ2Jw(wMP),]]>βMP=N-γ2JD(wMP);]]>

式中，γ为神经网络中能降低性能指标函数的参数个数，它的取值范围为0～w；w_MP为F(W)取最小值时所对应的权值和阈值组；

6）判断F(W)值是否收敛，若不收敛则进行新一轮迭代求解，直至出现最优解，得到具有最大显著度的贝叶斯神经网络模型。