技术领域
本发明属于吸声降噪以及神经网络领域,具体涉及一种基于平衡算法优化GRNN神经网络预测泡沫铜吸声系数的方法及系统。
背景技术
目前,泡沫铜作为吸声材料被广泛应用于吸声降噪领域。但不同结构参数的泡沫铜以及在不同频率范围下的吸声性能不同。但如何确定在特定频率范围下吸声性能最优的泡沫铜结构参数,现有最常用的方法有两种:一是通过实验来测量不同结构参数的泡沫铜在特定频率范围下的吸声系数来获得在该频率范围下相对吸声性能较为优异的泡沫铜,但该方法实验量繁重且误差很大无法准确得到最优性能的泡沫铜;二是通过模拟预测的方法来获得在特定频率范围下具有最佳吸声性能的泡沫铜。神经网络被广泛应用于吸声预测,在众多的神经网络中,广义回归神经网络(GRNN)最为一种前向神经网络,具有较强的非线性映射能力和学习速度,较其他神经网络,当样本量较小时,GRNN预测效果较好,网络也能处理不稳定的数据。但是在GRNN的建立过程中,由于无法选择最优的光滑因子值,最终的预测数据误差过大。因此,通常采用优化算法来优化GRNN。GRNN常用的优化算法有粒子群优化算法(PSO)、果蝇优化算法(FOA)等,这些传统的优化算法计算速度慢,迭代次数多,局部最小避免能力弱。
发明内容
针对上述方法中的不足,本发明提供一种基于平衡算法优化GRNN神经网络预测泡沫铜吸声系数的方法及系统,本发明能够更有效地避免局部极小值,具有更高的效率。
本发明采用的技术方案如下:
一种基于平衡算法优化GRNN神经网络预测泡沫铜吸声系数的方法,包括如下过程:
利用平衡优化算法计算GRNN神经网络中的最优光滑因子;
利用最优光滑因子创建GRNN神经网络,利用泡沫铜吸声系数数据对创建的GRNN神经网络进行训练,得到最终的GRNN神经网络;
利用最终的GRNN神经网络对泡沫铜的吸声系数进行预测。
优选的,利用平衡优化算法计算GRNN神经网络中最优光滑因子的过程包括:
获取多种不同泡沫铜的实际的吸声系数的样本集;
以获取的样本集中泡沫铜的实际的吸声系数作为初始种群,对初始种群进行初始化;
在搜索空间中,根据初始化得到的数据构造数据的初始浓度,获取初始化后数据的适应度值;
根据初始化后数据的适应度值,选取当前处于预设范围内的所有最优解;
对选取的当前处于预设范围内的所有最优解进行迭代更新浓度,得到最终的最优解,将最终的最优解作为最优光滑因子值。
优选的,获取多种不同泡沫铜的实际的吸声系数的样本集的过程包括:
采用渗流铸造法制备不同厚度、不同孔隙率和不同孔径的多种泡沫铜;
采用驻波管法测量每种泡沫铜在不同频率下的吸声系数,所有的吸声系数构成所述多种不同泡沫铜的实际的吸声系数的样本集。
优选的,泡沫铜的厚度为2~8mm,泡沫铜的孔隙率为65%-76%,泡沫铜的孔径为65×10
优选的,采用驻波管法测量每种泡沫铜在500-2000Hz频率下的吸声系数。
优选的,对初始种群进行均匀随机初始化。
优选的,在搜索空间中,根据初始化得到的数据构造数据的初始浓度如下:
其中,i为所述样本集中吸声系数的个数,i=1,2,3Λn,
优选的,根据初始化后数据的适应度值,选取当前处于[0.01,2]的所有最优解。
优选的,对选取的当前最优的若干个最优解进行迭代更新浓度时,在每次迭代中,每个数据以相同的概率随机选择最优解来更新其浓度。
本发明还提供了一种基于平衡算法优化GRNN神经网络预测泡沫铜吸声系数的系统,该系统用于实现本发明如上所述的方法,包括:
计算模块:用于利用平衡优化算法计算GRNN神经网络中的最优光滑因子;
模型创建模块:用于利用最优光滑因子创建GRNN神经网络,利用泡沫铜吸声系数数据对创建的GRNN神经网络进行训练,得到最终的GRNN神经网络;
预测模块:用于利用最终的GRNN神经网络对泡沫铜的吸声系数进行预测。
本发明具有如下有益效果:
本发明基于平衡算法优化后的GRNN神经网络预测泡沫铜吸声系数,通过平衡算法能够精确获得最优的光滑因子值,从而降低最终预测数据的误差,提高模型的准确度。并且平衡优化算法相比于传统优化算法能够更有效地避免局部极小值,具有更高的效率;GRNN神经网络具有较强的非线性映射能力和学习速度,较其他神经网络,当样本量较小时,GRNN预测效果较好,网络也能处理不稳定的数据。采用本发明的方法来预测泡沫铜吸声系数值误差较小,最大的平均相对误差为1.723%,最小的仅为0.181%。结果表明本发明所建立的平衡优化算法优化GRNN神经网络是有效可靠的。
附图说明
图1为本发明实施例中制备的泡沫铜的形貌图;
图2为本发明实施例中的算法流程图;
图3为本发明实施例中1000Hz下吸声系数的预测值与真实值的比较图;
图4为本发明实施例中1000Hz下五种测试样本吸声系数的预测值与真实值的平均相对误差图。
具体实施方式
下面结合附图和实例对本发明作进一步说明。
本发明基于平衡算法优化GRNN神经网络预测泡沫铜吸声系数的方法,包括如下步骤:
步骤1:采用渗流铸造法制备不同厚度、不同孔隙率和不同孔径的20种泡沫铜。泡沫铜的外形形貌如图1所示,每种泡沫铜的基本参数,基本参数如表1所示;
步骤2:影响因素的确定及采集目标数据,根据步骤1中所提到的影响泡沫铜吸声能力的3种影响因素(孔隙率、孔径和厚度)所制备的20种泡沫铜,采用驻波管法测量每个编号的泡沫铜分别在500Hz、800Hz、1000Hz、1250Hz、1600Hz、2000Hz下的吸声系数,测量结果如表2所示;
步骤3:使用MATLAB将所测得20组数据进行样本定义和划分,选取1号至15号样本作为训练样本,16号至20号样本作为测试样本;
步骤4:GRNN采用高斯函数作为基函数。高斯函数的宽度系数,也称光滑因子α,当光滑因子α取值趋于零时,预测效果较差,当取值过大时,预测值近似于所有样本因变量的平均值,本发明采用平衡优化算法求出GRNN神经的最佳光滑因子α=0.14;
平衡优化算法是从控制体积的一般质量平衡方程出发,从而建立的优化算法,具体的过程包括以下步骤:
①将表2中的数据初始化:平衡优化算法使用初始种群来启动优化过程。在搜索空间中,根据均匀随机初始化的数据个数和维数构造初始浓度,如下式所示。
②对所有的数据进行迭代更新其浓度
Ceq=[Ceq(1);Ceq(2);Ceq(3);Ceq(4);Ceq(ave)],其中Ceq(ave)为四个最优解的平均值。在每次迭代中,每个数据以相同的概率随机选择最优解来更新其浓度。例如,在第一次迭代中,第一个数据根据Ceq(1)更新其所有浓度;然后,在第二次迭代中,它可以根据Ceq(ave)更新其浓度。在优化过程结束之前,每个数据都会经历更新过程,每个数据的所有候选解接收到大约相同数量的更新,从而避免陷入局部最优。
③对所有数据迭代更新后,得到最终的最优解,即得到最优光滑因子值α=0.14。
步骤5:在确定最佳光滑因子后,使用MATLAB自带的newgrnn函数创建广义回归神经网络,并对其进行训练。使用训练好的GRNN神经网络进行预测,其算法流程图如图2所示;
步骤6:模拟预测后得到的吸声系数的预测值和真实值的拟合图,如图3所示。利用MATLAB计算预测值与真实值的平均相对误差,如图4所示,1000Hz下平均相对误差仅为0.918%。
表1
表2
由上述可以看出,本发明基于平衡算法优化GRNN神经网络预测泡沫铜吸声系数的方法,可以精确获得最优的光滑因子值,最终预测数据的误差较小,模型的准确度较高。最大的平均相对误差为1.723%,最小的仅为0.181%,结果表明本发明所建立的平衡优化算法优化GRNN神经网络是有效可靠的。
与传统的优化算法相比,本发明所采用的平衡优化算法能够更有效地避免局部极小值,具有更高的效率。通过平衡优化算法对GRNN进行优化,使GRNN在建立时可以准确选取最优的光滑因子值,并且降低最终预测数据的误差,使模型的准确度更高,使模拟预测所获得的泡沫铜构建参数的可信度更高。
机译: 基于不平衡进化理论的遗传算法优化装置及其方法
机译: 基于聚集评分模型的遗传算法优化目标系统的系统和方法
机译: 基于量子算法优化的系统和方法