一種基于遺傳算法優(yōu)化BP神經(jīng)網(wǎng)絡的陶瓷原料分類方法

楊怡涵，柳炳祥

(景德鎮(zhèn)陶瓷大學 信息工程學院，江西 景德鎮(zhèn) 333403)

0 引 言

對陶瓷原料科學、快速、準確的分類，能為陶瓷配方中關鍵性的陶瓷原料遴選提供重要依據(jù)，有利于緩解日趨緊張的優(yōu)質陶瓷原料供應現(xiàn)象，使得陶瓷原料這種寶貴的天然資源得以發(fā)揮其最大的價值作用。陶瓷原料的分類是一個復雜的材料學問題，陶瓷原料的種類繁多、結構復雜、成分多樣，用傳統(tǒng)實驗方法進行分類效率低、錯誤率高。隨著計算機科學和統(tǒng)計學的快速發(fā)展，越來越多的學者把這兩門學科結合在一起，創(chuàng)立了許多新的分類方法。本文運用遺傳算法優(yōu)化的BP神經(jīng)網(wǎng)絡構建模型對陶瓷原料進行科學的分類。

1 BP神經(jīng)網(wǎng)絡模型

1.1 BP神經(jīng)網(wǎng)絡原理

BP神經(jīng)網(wǎng)絡是由Rumelhard和McCelland于1986年提出，從結構上講，它是一種典型的多層前向型神經(jīng)網(wǎng)絡，具有一個輸入層、數(shù)個隱含層和一個輸出層。層與層之間采用全連接的方式，同一層的神經(jīng)元之間不存在相互連接。BP神經(jīng)網(wǎng)絡是一種按照誤差逆向傳播來訓練的多層前饋學習網(wǎng)絡，網(wǎng)絡中各個神經(jīng)元之間的連接強度靠改變權值和閾值的大小來實現(xiàn)。BP神經(jīng)網(wǎng)絡的最大優(yōu)點在于，通過訓練樣本反向傳播調節(jié)網(wǎng)絡的權值和閥值，來達到網(wǎng)絡的誤差平方和最小的目的。

1.2 BP神經(jīng)網(wǎng)絡設計

本文以某工廠收集的四種類別的30組陶瓷原料樣品作為依據(jù)，構建了一個只有單隱含層的三層BP神經(jīng)網(wǎng)絡。如表1所示，以1-左云土、2-水曲柳、3-黑粘土、4-貴溪高嶺、5-廣東白泥、6-寬城土、7-飛天燕土膽、8-河北章村土、9-明水土、10-三節(jié)土、11-紫木節(jié)、12-黑山膨潤土、13-四班瓷土、14-東北膨潤土、15-飛天燕原礦、16-溈山東堡、17-三坪土、18-宜興西山嫩泥、19-宜興紫沙泥、20-宜興紅泥，這20組陶瓷原料樣品數(shù)據(jù)作為BP神經(jīng)網(wǎng)絡訓練數(shù)據(jù)；如表2所示，以21-安口土、22-寧海黏土、23-東莞黑泥、24-星子高嶺、25-上店土、26-西豐土、27-易縣土、28-大林泥、29-東山甲泥、30-朔縣土，這10組陶瓷原料樣品數(shù)據(jù)作為BP神經(jīng)網(wǎng)絡測試數(shù)據(jù)。

由表1、表2可以看出，陶瓷原料的特征值有9個，分別是：SiO2、Al2O3、Fe2O3、CaO、MgO、K2O、Na2O、TiO2、LOI，所以該網(wǎng)絡的輸入層節(jié)點數(shù)為9，輸出層采用二進制字符進行識別，由于陶瓷原料有4個類別，所以輸出層節(jié)點數(shù)為4。評價等級共有4個類別，如表3所示。

表1 訓練樣本的陶瓷原料數(shù)據(jù)Tab.1 Training samples of ceramic raw materials

表2 測試樣本的陶瓷原料數(shù)據(jù)Tab.2 Testing samples of ceramic raw materials

表3 輸出層類別Tab.3 Output layer classification

BP神經(jīng)網(wǎng)絡部分的參數(shù)設置為：激活函數(shù)為tansig,輸出層函數(shù)為tansig，網(wǎng)絡訓練函數(shù)為trainlm，訓練步數(shù)為1000，訓練目標為0．0001，學習速率為0．01。根據(jù)Kolmogorov定理及相關經(jīng)驗，BP神經(jīng)網(wǎng)絡構建中間隱含層數(shù)目n2，輸入層數(shù)目n1，輸出層數(shù)目m；n2= sqrt(n1+m+1)+a；a=1-10，or n1=log2(n2)。通過試探法逐一測試隱含層節(jié)點數(shù)，得出最佳隱含層節(jié)點個數(shù)為23。至此一個9-23-4的BP神經(jīng)網(wǎng)絡就建立好了，網(wǎng)絡訓練步數(shù)和誤差的關系曲線如圖1所示，BP神經(jīng)網(wǎng)絡陶瓷原料測試樣本輸出結果如表4所示，訓練步數(shù)為18，誤差低于1×10-6，達到了預定目標，訓練結束。

1.3 BP神經(jīng)網(wǎng)絡性能分析

由分析可知，BP神經(jīng)網(wǎng)絡的樣本訓練結果與輸出設定存在一定誤差。如表4所示，10個測試陶瓷原料樣品預測的類別如下，類別Ⅰ：21、22、30；類別Ⅱ：23；類別Ⅲ：26、27、28；類別Ⅳ：29。通過對比表2的陶瓷原料類別可知，10組陶瓷原料的類別中只有8種被識別準確，其中24-星子高嶺土和25-上店土的實際類別均為類別Ⅱ，而預測類別均與實際不符。通過對比可以發(fā)現(xiàn)，BP神經(jīng)網(wǎng)絡的預測精度低，識別準確率只有80%。

圖1 BP神經(jīng)網(wǎng)絡訓練步數(shù)和誤差的關系曲線Fig.1 Relation curve of BP’s training epochs and MSE

表4 BP神經(jīng)網(wǎng)絡陶瓷原料測試樣本輸出結果Tab.4 BP’s output result of testing samples

傳統(tǒng)的BP神經(jīng)網(wǎng)絡的權值和閾值都是隨機初始化的參數(shù)，網(wǎng)絡學習的收斂速度慢，往往會有可能收斂于局部最優(yōu)，精度低，需要進一步改進。

2 BP神經(jīng)網(wǎng)絡模型的改進與優(yōu)化

2.1 遺傳算法優(yōu)化BP神經(jīng)網(wǎng)絡權值和閾值

遺傳算法(Genetic Algorithm，簡稱GA)是一類借鑒生物界自然選擇和自然遺傳機制的隨機化搜索算法。它模擬自然選擇和自然遺傳過程中發(fā)生的繁殖、交叉和基因突變現(xiàn)象，在每一次迭代中都保留一組候選解，并按某種指標從解群中選取較優(yōu)的個體，利用遺傳算子(選擇、交叉和變異)，對這些個體進行組合，重復此過程，最終收斂于全局最優(yōu)解。遺傳算法的流程如圖2所示，遺傳算法的優(yōu)化過程如圖3所示。

圖2 遺傳算法流程Fig.2 The flow chart of GA

2.2 實驗參數(shù)設置

本次實驗也以表1、表2中四種類別的30組陶瓷原料樣品作為依據(jù)，其中以表1中20組陶瓷原料樣品數(shù)據(jù)作為GA-BP神經(jīng)網(wǎng)絡測試數(shù)據(jù)，以表2中的10種陶瓷原料樣品數(shù)據(jù)作為GA-BP神經(jīng)網(wǎng)絡測試數(shù)據(jù)。通過試探法逐一測試隱含層節(jié)點數(shù)，得出在隱含層節(jié)點個數(shù)為23時達到最佳。遺傳算法部分的參數(shù)設置為：個體數(shù)N=60，最大遺傳代數(shù)MAXGEN=60，變量的二進制位數(shù)PRECI=10，代溝GGAP=0．95，交叉概率px=0．7，變異概率pm=0．01。

圖3 遺傳算法進化過程Fig.3 Evolution process of GA

表5 GA-BP陶瓷原料測試樣本輸出結果Tab.5 GA-BP’s output result of testing samples

3 結果與討論

GA-BP網(wǎng)絡訓練步數(shù)和誤差的關系曲線如圖4所示，GA-BP陶瓷原料測試樣本輸出結果如表5所示。

從圖4中得出，當訓練步數(shù)為19，誤差低于1×10-6，達到了預定目標，訓練結束。將表5中陶瓷原料預測類別的輸出結果與表2對比可以看出，10種陶瓷原料測試樣本類別與GA-BP神經(jīng)網(wǎng)絡的測試輸出結果一致，識別率準確率可達100%。

圖4 GA-BP網(wǎng)絡訓練步數(shù)和誤差的關系曲線Fig.4 Relation curve of GA-BP’s training epochs and MSE

4 結 論

本文運用遺傳算法優(yōu)化神經(jīng)網(wǎng)絡的算法對陶瓷原料進行分類，優(yōu)化了BP神經(jīng)網(wǎng)絡的連接權值和閾值，使識別精度與傳統(tǒng)BP神經(jīng)網(wǎng)絡相比有了極大提高。實驗結果表明，遺傳算法優(yōu)化的BP神經(jīng)網(wǎng)絡的分類結果和實際類別基本一致，識別精度較高，是一種可行且有效的陶瓷原料分類方法，具有一定的實際應用價值。