一種神經(jīng)網(wǎng)絡(luò)自更新過程的實(shí)現(xiàn)方法
【技術(shù)領(lǐng)域】
[0001] 本發(fā)明涉及人工智能技術(shù)領(lǐng)域，特別是涉及一種神經(jīng)網(wǎng)絡(luò)自更新過程的實(shí)現(xiàn)方 法。
【背景技術(shù)】
[0002] 在人工智能領(lǐng)域，遺傳算法與計(jì)算流體力學(xué)（CFD)、神經(jīng)網(wǎng)絡(luò)技術(shù)經(jīng)常被用于反向 設(shè)計(jì)過程。遺傳算法與計(jì)算流體力學(xué)（CFD)相結(jié)合進(jìn)行反向設(shè)計(jì)時(shí)，僅使用CFD方法計(jì)算新 個(gè)體的設(shè)計(jì)目標(biāo)值，設(shè)計(jì)過程中可能產(chǎn)生較多新個(gè)體，因此會(huì)產(chǎn)生較多CFD計(jì)算過程，導(dǎo)致 反向設(shè)計(jì)方法的計(jì)算量大。遺傳算法與神經(jīng)網(wǎng)絡(luò)相結(jié)合進(jìn)行反向設(shè)計(jì)時(shí)，僅使用人工神經(jīng) 網(wǎng)絡(luò)計(jì)算新個(gè)體的設(shè)計(jì)目標(biāo)值，神經(jīng)網(wǎng)絡(luò)的預(yù)測(cè)誤差可能導(dǎo)致設(shè)計(jì)過程不收斂。因此，設(shè)計(jì) 過程中，需同時(shí)使用CFD和神經(jīng)網(wǎng)絡(luò)計(jì)算新個(gè)體的設(shè)計(jì)目標(biāo)值。使用此方法進(jìn)行反向設(shè)計(jì) 時(shí)，計(jì)算量受神經(jīng)網(wǎng)絡(luò)訓(xùn)練樣本量的影響。但在現(xiàn)有方法中，只能通過人為經(jīng)驗(yàn)確定訓(xùn)練樣 本量。若訓(xùn)練樣本量過小，神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)誤差大，導(dǎo)致設(shè)計(jì)過程中產(chǎn)生較多不必要的CFD計(jì) 算過程。若訓(xùn)練樣本量過大，則需付出很多額外的CFD計(jì)算時(shí)間，獲得了過剩的訓(xùn)練樣本。 因此，構(gòu)建一種能夠自動(dòng)確定神經(jīng)網(wǎng)絡(luò)訓(xùn)練樣本量的方法十分必要。

【發(fā)明內(nèi)容】

[0003] 為了克服上述現(xiàn)有技術(shù)存在的直流系統(tǒng)故障隔離難的問題，本發(fā)明提出了一種神 經(jīng)網(wǎng)絡(luò)自更新過程的實(shí)現(xiàn)方法，自動(dòng)確定神經(jīng)網(wǎng)絡(luò)訓(xùn)練樣本量，降低反向設(shè)計(jì)計(jì)算量。
[0004] 本發(fā)明提出了一種神經(jīng)網(wǎng)絡(luò)自更新過程的實(shí)現(xiàn)方法，該方法包括以下步驟：
[0005] 步驟1、根據(jù)設(shè)計(jì)對(duì)象確定設(shè)計(jì)變量與設(shè)計(jì)目標(biāo)；
[0006] 步驟2、通過抽樣獲得神經(jīng)網(wǎng)絡(luò)的初始訓(xùn)練樣本，實(shí)現(xiàn)對(duì)神經(jīng)網(wǎng)絡(luò)的訓(xùn)練；
[0007] 步驟3、利用遺傳算法的交叉變異過程同時(shí)得到多組符合設(shè)計(jì)要求的設(shè)計(jì)變量值， 從中搜索滿足設(shè)計(jì)要求的個(gè)體，使用神經(jīng)網(wǎng)絡(luò)和計(jì)算流體力學(xué)方法（CFD)計(jì)算新個(gè)體的設(shè) 計(jì)目標(biāo)值，并將計(jì)算流體力學(xué)方法（CFD)計(jì)算結(jié)果添加到初始訓(xùn)練樣本中，得到更新訓(xùn)練 樣本；
[0008] 步驟4、使用更新訓(xùn)練樣本對(duì)神經(jīng)網(wǎng)絡(luò)進(jìn)行再次訓(xùn)練，實(shí)現(xiàn)了神經(jīng)網(wǎng)絡(luò)的更新；
[0009] 步驟5、然后通過非支配排序方法對(duì)種群中的個(gè)體進(jìn)行排序，并使用錦標(biāo)賽算法進(jìn) 行選擇，產(chǎn)生新種群，若新種群符合收斂標(biāo)準(zhǔn)，設(shè)計(jì)過程結(jié)束，否則返回步驟（3)，繼續(xù)執(zhí)行。
[0010] 與現(xiàn)有技術(shù)中相比，本發(fā)明提出的自更新神經(jīng)網(wǎng)絡(luò)方法使反向設(shè)計(jì)的計(jì)算量減少 了 27. 4%。
【附圖說明】
[0011] 圖1為本發(fā)明的遺傳算法與自更新神經(jīng)網(wǎng)絡(luò)相結(jié)合的反向設(shè)計(jì)方法流程圖；
[0012] 圖2為本發(fā)明具體實(shí)施例的Blay模型示意圖；a)Blay模型的幾何結(jié)構(gòu)，（b)網(wǎng)格 劃分；
[0013] 圖3為神經(jīng)網(wǎng)絡(luò)無自更新時(shí)計(jì)算量變化曲線圖；
[0014] 圖4為神經(jīng)網(wǎng)絡(luò)有自更新時(shí)計(jì)算量變化曲線圖。
【具體實(shí)施方式】
[0015] 以下結(jié)合附圖及【具體實(shí)施方式】，進(jìn)一步詳述本發(fā)明的技術(shù)方案。
[0016] 圖2為模型的幾何結(jié)構(gòu)及邊界條件。反向設(shè)計(jì)的對(duì)象為Blay模型，其外部結(jié)構(gòu)為 正方形，尺寸為1. 04X1. 04m，包含一個(gè)入口和一個(gè)出口，入口尺寸為0. 018m，出口尺寸為 0. 022m。入口速度為0. 57m/s，入口溫度為15°C，送風(fēng)角度為水平方向，四周使用無滑移的 壁面邊界條件，壁面溫度均設(shè)為恒溫條件，監(jiān)測(cè)點(diǎn)位于出口附近。
[0017](一）、神經(jīng)網(wǎng)絡(luò)無自更新時(shí)的計(jì)算結(jié)果：
[0018] 對(duì)Blay模型進(jìn)行反向設(shè)計(jì)時(shí)，設(shè)計(jì)變量為入口速度與溫度，設(shè)計(jì)目標(biāo)為監(jiān)測(cè)點(diǎn) 處速度與溫度。根據(jù)數(shù)值計(jì)算結(jié)果，得到監(jiān)測(cè)點(diǎn)處的速度大小為〇. 1325m/s，溫度大小為 17. 67°C，進(jìn)而得到了Blay模型反向設(shè)計(jì)的目標(biāo)函數(shù)：
[0019]
[0020] 遺傳算法的交叉概率為0. 8,變異概率為0. 1。選擇方法使用父子混合模式下的錦 標(biāo)賽算法，在父代和子代中共同選擇新種群，每次參加比賽的個(gè)體數(shù)為5,最大遺傳代數(shù)為 1〇〇代。反向設(shè)計(jì)的收斂條件為FBlay= 0,當(dāng)且僅當(dāng)監(jiān)測(cè)點(diǎn)處的速度、溫度計(jì)算值與目標(biāo)值 (0· 1325m/s，17. 67°C)完全一致時(shí)，才能達(dá)到此收斂條件。
[0021] 使用拉丁超立方體抽樣方法，產(chǎn)生40組入口速度與溫度的組合作為輸入?yún)?shù)，使 用這些輸入?yún)?shù)作為邊界條件對(duì)Blay模型進(jìn)行CFD計(jì)算，得到每組輸入?yún)?shù)對(duì)應(yīng)的輸出參 數(shù)，即監(jiān)測(cè)點(diǎn)處的速度及溫度值，每組輸入?yún)?shù)及其對(duì)應(yīng)的輸出參數(shù)構(gòu)成一個(gè)完整的訓(xùn)練 樣本，使用所有訓(xùn)練樣本對(duì)神經(jīng)網(wǎng)絡(luò)進(jìn)行訓(xùn)練，將訓(xùn)練好的神經(jīng)網(wǎng)絡(luò)與遺傳算法相結(jié)合，應(yīng) 用于Blay模型的反向設(shè)計(jì)。同時(shí)使用神經(jīng)網(wǎng)絡(luò)與CFD計(jì)算Blay模型的設(shè)計(jì)目標(biāo)值。首 先使用神經(jīng)網(wǎng)絡(luò)對(duì)新個(gè)體的目標(biāo)值進(jìn)行預(yù)測(cè)，并根據(jù)設(shè)計(jì)目標(biāo)的預(yù)測(cè)值計(jì)算&_值，若此 值低于〇. 1，使用CFD對(duì)該個(gè)體進(jìn)行計(jì)算，獲得該個(gè)體的真實(shí)的FBlay值或CFD計(jì)算值。如圖 3所示，神經(jīng)網(wǎng)絡(luò)無自更新時(shí)計(jì)算量增長曲線：在反向設(shè)計(jì)過程中，當(dāng)遺傳算法計(jì)算到第86 代時(shí)，反向設(shè)計(jì)過程收斂，共計(jì)算了 164個(gè)CFD算例。
[0022](二）、神經(jīng)網(wǎng)絡(luò)有自更新時(shí)的計(jì)算結(jié)果：
[0023] 使用遺傳算法與自更新神經(jīng)網(wǎng)絡(luò)相結(jié)合的方法，對(duì)Blay模型進(jìn)行反向設(shè)計(jì)。遺傳 算法計(jì)算參數(shù)與（一）相同。使用上述（一）的神經(jīng)網(wǎng)絡(luò)無自更新時(shí)反向設(shè)計(jì)而得到的神 經(jīng)網(wǎng)絡(luò)作為初始神經(jīng)網(wǎng)絡(luò)（上述（一）的神經(jīng)網(wǎng)絡(luò)無自更新時(shí)訓(xùn)練得到的神經(jīng)網(wǎng)絡(luò)作為初 始神經(jīng)網(wǎng)絡(luò)），設(shè)計(jì)過程中同時(shí)使用神經(jīng)網(wǎng)絡(luò)與CFD計(jì)算Blay模型的設(shè)計(jì)目標(biāo)值，并將CFD 計(jì)算結(jié)果添加到神經(jīng)網(wǎng)絡(luò)訓(xùn)練樣本中，并對(duì)神經(jīng)網(wǎng)絡(luò)進(jìn)行再訓(xùn)練，實(shí)現(xiàn)訓(xùn)練樣本和神經(jīng)網(wǎng) 絡(luò)的自更新。
[0024] 如圖所示，為神經(jīng)網(wǎng)絡(luò)有自更新時(shí)計(jì)算量變化曲線圖：在反向設(shè)計(jì)過程中，當(dāng)遺傳 算法計(jì)算到第40代時(shí)，反向設(shè)計(jì)過程收斂，共計(jì)算了 119個(gè)CFD算例，與神經(jīng)網(wǎng)絡(luò)無自更新 時(shí)相比，反向設(shè)計(jì)總計(jì)算量下降了 27.4%。
【主權(quán)項(xiàng)】
1. 一種神經(jīng)網(wǎng)絡(luò)自更新過程的實(shí)現(xiàn)方法，其特征在于，該方法包括以下步驟： 步驟（1)、根據(jù)設(shè)計(jì)對(duì)象確定設(shè)計(jì)變量與設(shè)計(jì)目標(biāo)； 步驟（2)、通過抽樣獲得神經(jīng)網(wǎng)絡(luò)的初始訓(xùn)練樣本，實(shí)現(xiàn)對(duì)神經(jīng)網(wǎng)絡(luò)的訓(xùn)練； 步驟（3)、利用遺傳算法的交叉變異過程同時(shí)得到多組符合設(shè)計(jì)要求的設(shè)計(jì)變量值，從 中搜索滿足設(shè)計(jì)要求的個(gè)體，使用神經(jīng)網(wǎng)絡(luò)和計(jì)算流體力學(xué)方法，計(jì)算新個(gè)體的設(shè)計(jì)目標(biāo) 值，并將計(jì)算流體力學(xué)方法計(jì)算結(jié)果添加到訓(xùn)練樣本中，得到更新訓(xùn)練樣本； 步驟（4)、使用更新訓(xùn)練樣本對(duì)神經(jīng)網(wǎng)絡(luò)進(jìn)行再次訓(xùn)練，實(shí)現(xiàn)了神經(jīng)網(wǎng)絡(luò)的更新； 步驟（5)、然后通過非支配排序方法對(duì)種群中的個(gè)體進(jìn)行排序，并使用錦標(biāo)賽算法進(jìn)行 選擇，產(chǎn)生新種群，若新種群符合收斂標(biāo)準(zhǔn)，設(shè)計(jì)過程結(jié)束，否則返回步驟（3)，繼續(xù)執(zhí)行。
【專利摘要】本發(fā)明公開了一種神經(jīng)網(wǎng)絡(luò)自更新過程的實(shí)現(xiàn)方法，根據(jù)設(shè)計(jì)對(duì)象確定設(shè)計(jì)變量與設(shè)計(jì)目標(biāo)；通過抽樣獲得神經(jīng)網(wǎng)絡(luò)的初始訓(xùn)練樣本，實(shí)現(xiàn)對(duì)神經(jīng)網(wǎng)絡(luò)的訓(xùn)練；利用遺傳算法的交叉變異過程，搜索滿足設(shè)計(jì)要求的個(gè)體，使用神經(jīng)網(wǎng)絡(luò)和計(jì)算流體力學(xué)方法，計(jì)算新個(gè)體的設(shè)計(jì)目標(biāo)值，并將計(jì)算流體力學(xué)方法計(jì)算結(jié)果添加到初始訓(xùn)練樣本中，得到更新訓(xùn)練樣本；使用更新訓(xùn)練樣本對(duì)神經(jīng)網(wǎng)絡(luò)進(jìn)行再次訓(xùn)練，實(shí)現(xiàn)了神經(jīng)網(wǎng)絡(luò)的更新；然后進(jìn)行選擇，產(chǎn)生新種群，若新種群符合收斂標(biāo)準(zhǔn)，設(shè)計(jì)過程結(jié)束，否則返回步驟(3)，繼續(xù)執(zhí)行。與現(xiàn)有技術(shù)中相比，本發(fā)明提出的自更新神經(jīng)網(wǎng)絡(luò)方法使反向設(shè)計(jì)的計(jì)算量減少了27.4％。<!-- 2 -->
【IPC分類】G06N3/02
【公開號(hào)】CN105389614
【申請(qǐng)?zhí)枴緾N201510905762
【發(fā)明人】尤學(xué)一, 張?zhí)旎?
【申請(qǐng)人】天津大學(xué)
【公開日】2016年3月9日
【申請(qǐng)日】2015年12月9日