[发明专利]一种优化神经网络的风机噪音预测方法

说明书

本发明提供了一种优化神经网络的风机噪音预测方法，本发明主要通过对输入神经元数目和隐藏层神经元数目的联合控制提高风机噪音预测精度和神经网络的泛化能力。本发明基于相关性分析将风机样本中的输入参数对输出参数影响的重要性进行排序，根据训练精度和预测精度确定输入层神经元数目范围与最佳输入层神经元数目。利用相关性分析有效减少输入神经元数目，降低了最优神经网络结构的构建难度。本发明利用最佳隐藏层神经元数目来确定最优神经网络结构，有效避免了过拟合和欠拟合，提高训练精度的同时也改善了预测精度和泛化能力。

技术领域

本发明涉及噪音预测领域，特别地，涉及一种优化神经网络的风机噪音预测方法。

背景技术

风机的种类众多，应用场合广泛。不同种类的风机、不同应用场合的风机、作用不同的风机，对容许噪音的要求有所差异，可从十多分贝到近百分贝不等。风机噪音的来源很多，比如：叶片回转、叶片涡流、乱流、与风管外壳产生共振，这些都属于风机的固定噪音，除此之外还有外在装配、维护等引发的异常噪音等。通常特定场合对风机噪音的容许度均有一定的标准，故对风机噪音进行准确预测显得尤为重要。

神经网络是一种应用类似于大脑神经突触联接的结构进行信息处理的数学模型，其模仿动物神经网络行为特征，进行分布式并行信息处理，依靠系统的复杂程度，通过调整内部大量节点之间相互连接的关系，从而达到处理信息的目的。近年来神经网络被广泛应用于模式识别、信号处理、知识工程、专家系统、优化组合和机器人控制等领域，特别是预测控制方面的应用越来越多，因此，将神经网络应用于风机噪音预测不失为一种很好的选择，精确的预测可以大大节约设计成本，缩短产品设计周期，有效避免制造浪费。

现有的神经网络方法具体如下：

(1)样本分类：将所有的样本分为训练样本和测试样本；

(2)输入输出参数确定：将所有的已知参数列出，确定输入和输出变量；

(3)神经网络隐藏层结构确定：输出参数个数确定，根据输入神经元数目和输出参数确定隐含层神经元的数目；

(4)用训练样本和确定的参数来训练神经网络；

(5)用测试样本来测试神经网络的预测精度和泛化能力。

在步骤(2)中，关于输入输出参数确定，其中输出参数就是需要预测的目标参数，关于输入神经元数目的确定，有文献报道，输入神经元数目太少则会引起神经网络训练的欠拟合(神经网络模型拟合不够，在训练集上表现效果差)，而输入参数过多一方面会加大训练的难度和训练神经网络所需要的时间，另一方面会导致训练过拟合(训练精度高，但测试精度相对差)，而得不到合理的神经网络预测模型。到底是几个输入神经元数目才合适并没有现成的规律和公式。

在步骤(3)中，关于神经网络隐藏层结构的确定，其中最重要的一个影响神经网络的训练精度和预测精度的因素就是隐藏层神经元数目。对于已经确定输入神经元数目，隐藏层神经元数目少则训练精度低，会出现欠拟合，隐藏层神经元数目多则训练精度高、训练时间长，并且会出现过拟合，影响预测精度。关于隐藏层神经元数目的确定，文献中基本是基于4个经验公式。而这4个公式所确定的隐藏层数目却各不相同。

根据相关文献有下面几种隐藏层神经元m确定方法；方法1：其中α是1到10的常数；方法2：方法3：方法4：m＝0.75n。

发明内容

本发明目的在于提供一种优化神经网络的风机噪音预测方法，确定最佳输入层和隐藏层神经元，以提高神经网络的训练精度和泛化能力，提高对风机噪音的预测精度。

为实现上述目的，本发明提供了一种优化神经网络的风机噪音预测方法，包括步骤：

S1.采集风机性能参数和几何参数；

S2.分析风机性能参数现状；