基于构造－剪枝混合优化RBF网络的煤灰熔点预测方法

摘要

本发明公开一种基于构造-剪枝混合优化RBF网络的煤灰熔点预测方法，其特征在于：该方法分为“粗调”和“精调”两个阶段，粗调阶段按照以使能量函数最小为原则动态增加隐节点数目，选取相应的样本输入作为数据中心，直至隐节点数满足停止准则时停止；精调阶段用Gaussian正则化方法对粗调得到的RBF网络的结构和参数作进一步调整；基于煤灰的化学组成成分建立相应的构造-剪枝混合优化RBF网络，并以该网络预测煤灰熔点。本发明给出的构造-剪枝混合优化算法(CPHM)，有效地融合了构造算法和剪枝算法的优点，不仅能动态调节RBF网络的隐节点数，还能使网络的数据中心自适应变化；具有较小的结构、较好的泛化能力和较强的鲁棒性。

主权项

1.一种基于构造—剪枝混合优化RBF网络的煤灰熔点预测方法，其特征在于：该方法分为“粗调”和“精调”两个阶段，粗调阶段按照以使能量函数最小为原则动态增加隐节点数目，选取相应的样本输入作为数据中心，直至隐节点数满足停止准则时停止；精调阶段用Gaussian正则化方法对粗调得到的RBF网络的结构和参数作进一步调整，调整对象为数据中心调整、输出权值调整、冗余隐节点删除和正则化系数的动态调整；基于煤灰的化学组成成分建立相应的构造－剪枝混合优化RBF网络，并以该网络预测煤灰熔点；所述粗调具体步骤如下：（A1）先从样本输入中选取网络的第一个数据中心，然后每次增加一个隐节点，逐步调整该数据中心的值，新的隐节点数据中心的选取以使能量函数最小为原则；采用Gaussian 正则化方法时的能量函数为：(1)其中，为神经网络的教师输出向量，为权值向量，，为隐节点的响应函数向量，为正则化系数；（A2）当下式满足时，停止粗调：(3)其中，为矩阵A的条件数，为Frobenius范数；，为隐节点的响应函数向量，为新增隐节点的响应函数向量，为新隐节点的数据中心；是一个需预先确定的量；选取网络的第一个数据中心的方法为：从样本输入中选择某一，使相应的在上的投影最大，即：(2)其中，为以为数据中心的新增隐节点的响应函数向量，为神经网络的教师输出向量；所述精调具体步骤如下：（B1）数据中心调整：调节数据中心，对样本，数据中心的调节量为：(4)其中，为学习率，为RBF函数的扩展常数，为已有的数据中心，为Gaussian型径向基函数，为神经网络对应样本输入的输出，为该隐节点前一时刻的输出权值；第个隐节点的调节公式为：(5)其中，为已有的数据中心，为数据中心的调节量，为参与调节的目标样本，为重叠系数，为RBF函数的扩展常数；（B2）输出权值调整：当网络的数据中心确定后，最优权值可通过最小化能量函数直接得到，即(6)其中，为第个隐节点到输出节点的权值，是输出偏移常数；（B3）冗余隐节点删除：通过正则化方法，当某隐节点输出权值满足以下条件时，则删除该隐节点：(7)其中，为临界权值；（B4）正则化系数的动态调整：每次数据中心调整后，随之对进行调节，具体调节规则如下：(1). 如果，或者，则；(2). 如果，，而且，则；(3). 如果，，而且，则；其中，为前一次数据中心调节时的误差，为期望误差值，为当前时刻的加权平均误差，定义为，、均为接近于1的数。