一種神經(jīng)網(wǎng)絡(luò)自更新過程的實現(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)自更新過程的實現(xiàn)方 法。
【背景技術(shù)】
[0002] 在人工智能領(lǐng)域，遺傳算法與計算流體力學（CFD)、神經(jīng)網(wǎng)絡(luò)技術(shù)經(jīng)常被用于反向 設(shè)計過程。遺傳算法與計算流體力學（CFD)相結(jié)合進行反向設(shè)計時，僅使用CFD方法計算新 個體的設(shè)計目標值，設(shè)計過程中可能產(chǎn)生較多新個體，因此會產(chǎn)生較多CFD計算過程，導致 反向設(shè)計方法的計算量大。遺傳算法與神經(jīng)網(wǎng)絡(luò)相結(jié)合進行反向設(shè)計時，僅使用人工神經(jīng) 網(wǎng)絡(luò)計算新個體的設(shè)計目標值，神經(jīng)網(wǎng)絡(luò)的預測誤差可能導致設(shè)計過程不收斂。因此，設(shè)計 過程中，需同時使用CFD和神經(jīng)網(wǎng)絡(luò)計算新個體的設(shè)計目標值。使用此方法進行反向設(shè)計 時，計算量受神經(jīng)網(wǎng)絡(luò)訓練樣本量的影響。但在現(xiàn)有方法中，只能通過人為經(jīng)驗確定訓練樣 本量。若訓練樣本量過小，神經(jīng)網(wǎng)絡(luò)預測誤差大，導致設(shè)計過程中產(chǎn)生較多不必要的CFD計 算過程。若訓練樣本量過大，則需付出很多額外的CFD計算時間，獲得了過剩的訓練樣本。 因此，構(gòu)建一種能夠自動確定神經(jīng)網(wǎng)絡(luò)訓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)自更新過程的實現(xiàn)方法，自動確定神經(jīng)網(wǎng)絡(luò)訓練樣本量，降低反向設(shè)計計算量。
[0004] 本發(fā)明提出了一種神經(jīng)網(wǎng)絡(luò)自更新過程的實現(xiàn)方法，該方法包括以下步驟：
[0005] 步驟1、根據(jù)設(shè)計對象確定設(shè)計變量與設(shè)計目標；
[0006] 步驟2、通過抽樣獲得神經(jīng)網(wǎng)絡(luò)的初始訓練樣本，實現(xiàn)對神經(jīng)網(wǎng)絡(luò)的訓練；
[0007] 步驟3、利用遺傳算法的交叉變異過程同時得到多組符合設(shè)計要求的設(shè)計變量值， 從中搜索滿足設(shè)計要求的個體，使用神經(jīng)網(wǎng)絡(luò)和計算流體力學方法（CFD)計算新個體的設(shè) 計目標值，并將計算流體力學方法（CFD)計算結(jié)果添加到初始訓練樣本中，得到更新訓練 樣本；
[0008] 步驟4、使用更新訓練樣本對神經(jīng)網(wǎng)絡(luò)進行再次訓練，實現(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種群中的個體進行排序，并使用錦標賽算法進 行選擇，產(chǎn)生新種群，若新種群符合收斂標準，設(shè)計過程結(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)計的計算量減少 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)計方法流程圖；
[0012] 圖2為本發(fā)明具體實施例的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)無自更新時計算量變化曲線圖；
[0014] 圖4為神經(jīng)網(wǎng)絡(luò)有自更新時計算量變化曲線圖。
【具體實施方式】
[0015] 以下結(jié)合附圖及【具體實施方式】，進一步詳述本發(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)計的對象為Blay模型，其外部結(jié)構(gòu)為 正方形，尺寸為1. 04X1. 04m，包含一個入口和一個出口，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)測點位于出口附近。
[0017](一）、神經(jīng)網(wǎng)絡(luò)無自更新時的計算結(jié)果：
[0018] 對Blay模型進行反向設(shè)計時，設(shè)計變量為入口速度與溫度，設(shè)計目標為監(jiān)測點 處速度與溫度。根據(jù)數(shù)值計算結(jié)果，得到監(jiān)測點處的速度大小為〇. 1325m/s，溫度大小為 17. 67°C，進而得到了Blay模型反向設(shè)計的目標函數(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，每次參加比賽的個體數(shù)為5,最大遺傳代數(shù)為 1〇〇代。反向設(shè)計的收斂條件為FBlay= 0,當且僅當監(jiān)測點處的速度、溫度計算值與目標值 (0· 1325m/s，17. 67°C)完全一致時，才能達到此收斂條件。
[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Blay模型進行CFD計算，得到每組輸入?yún)?shù)對應(yīng)的輸出參 數(shù)，即監(jiān)測點處的速度及溫度值，每組輸入?yún)?shù)及其對應(yīng)的輸出參數(shù)構(gòu)成一個完整的訓練 樣本，使用所有訓練樣本對神經(jīng)網(wǎng)絡(luò)進行訓練，將訓練好的神經(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。同時使用神經(jīng)網(wǎng)絡(luò)與CFD計算Blay模型的設(shè)計目標值。首 先使用神經(jīng)網(wǎng)絡(luò)對新個體的目標值進行預測，并根據(jù)設(shè)計目標的預測值計算&_值，若此 值低于〇. 1，使用CFD對該個體進行計算，獲得該個體的真實的FBlay值或CFD計算值。如圖 3所示，神經(jīng)網(wǎng)絡(luò)無自更新時計算量增長曲線：在反向設(shè)計過程中，當遺傳算法計算到第86 代時，反向設(shè)計過程收斂，共計算了 164個CFD算例。
[0022](二）、神經(jīng)網(wǎng)絡(luò)有自更新時的計算結(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Blay模型進行反向設(shè)計。遺傳 算法計算參數(shù)與（一）相同。使用上述（一）的神經(jīng)網(wǎng)絡(luò)無自更新時反向設(shè)計而得到的神 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)無自更新時訓練得到的神經(jīng)網(wǎng)絡(luò)作為初 始神經(jīng)網(wǎng)絡(luò)），設(shè)計過程中同時使用神經(jīng)網(wǎng)絡(luò)與CFD計算Blay模型的設(shè)計目標值，并將CFD 計算結(jié)果添加到神經(jīng)網(wǎng)絡(luò)訓練樣本中，并對神經(jīng)網(wǎng)絡(luò)進行再訓練，實現(xiàn)訓練樣本和神經(jīng)網(wǎng) 絡(luò)的自更新。
[0024] 如圖所示，為神經(jīng)網(wǎng)絡(luò)有自更新時計算量變化曲線圖：在反向設(shè)計過程中，當遺傳 算法計算到第40代時，反向設(shè)計過程收斂，共計算了 119個CFD算例，與神經(jīng)網(wǎng)絡(luò)無自更新 時相比，反向設(shè)計總計算量下降了 27.4%。
【主權(quán)項】
1. 一種神經(jīng)網(wǎng)絡(luò)自更新過程的實現(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)計對象確定設(shè)計變量與設(shè)計目標； 步驟（2)、通過抽樣獲得神經(jīng)網(wǎng)絡(luò)的初始訓練樣本，實現(xiàn)對神經(jīng)網(wǎng)絡(luò)的訓練； 步驟（3)、利用遺傳算法的交叉變異過程同時得到多組符合設(shè)計要求的設(shè)計變量值，從 中搜索滿足設(shè)計要求的個體，使用神經(jīng)網(wǎng)絡(luò)和計算流體力學方法，計算新個體的設(shè)計目標 值，并將計算流體力學方法計算結(jié)果添加到訓練樣本中，得到更新訓練樣本； 步驟（4)、使用更新訓練樣本對神經(jīng)網(wǎng)絡(luò)進行再次訓練，實現(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種群中的個體進行排序，并使用錦標賽算法進行 選擇，產(chǎn)生新種群，若新種群符合收斂標準，設(shè)計過程結(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)自更新過程的實現(xiàn)方法，根據(jù)設(shè)計對象確定設(shè)計變量與設(shè)計目標；通過抽樣獲得神經(jīng)網(wǎng)絡(luò)的初始訓練樣本，實現(xiàn)對神經(jīng)網(wǎng)絡(luò)的訓練；利用遺傳算法的交叉變異過程，搜索滿足設(shè)計要求的個體，使用神經(jīng)網(wǎng)絡(luò)和計算流體力學方法，計算新個體的設(shè)計目標值，并將計算流體力學方法計算結(jié)果添加到初始訓練樣本中，得到更新訓練樣本；使用更新訓練樣本對神經(jīng)網(wǎng)絡(luò)進行再次訓練，實現(xiàn)了神經(jīng)網(wǎng)絡(luò)的更新；然后進行選擇，產(chǎn)生新種群，若新種群符合收斂標準，設(shè)計過程結(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)計的計算量減少了27.4％。<!-- 2 -->
【IPC分類】G06N3/02
【公開號】CN105389614
【申請?zhí)枴緾N201510905762
【發(fā)明人】尤學一, 張?zhí)旎?
【申請人】天津大學
【公開日】2016年3月9日
【申請日】2015年12月9日