基于bp神經網絡的疏浚工藝調控參量篩選方法
【技術領域】
[00011本發明涉及BP神經網絡在疏浚工藝參量分析中的應用，尤其涉及一種基于BP神經 網絡的疏浚工藝調控參量篩選方法，屬于疏浚工程領域。
【背景技術】
[0002] 疏浚作為水下作業，工藝調控參量眾多，而且目前國內疏浚自動化程度不高，仍以 人工操作為主。即使經驗豐富的操作人員，由于影響泥漿流動狀態的因素錯綜復雜，諸如泥 漿濃度、泥漿流速、泥沙粒徑、不同泥沙的沉降速度和管道性能等，且各因素間相互影響導 致定性測試相對困難。致使疏浚生產一直處于低產低效且高能耗高排放狀態。減少影響疏 浚施工的調控參量，可以降低操作的復雜程度，因此，提高疏浚自動化程度在今天顯得尤為 迫切。
[0003] BP神經網絡是1986年由以Rumelhart和McCelland為首的科學家小組提出，是一種 按誤差逆傳播算法訓練的多層前饋網絡，是目前應用最廣泛的神經網絡模型之一。之后， Dombi等人提出利用平均影響值(Mean Impact Value，MIV)來反映神經網絡中權重矩陣的 變化情況。MIV算法是一種目前在神經網絡中評價變量相關性的最好指標之一，其符號代表 相關方向，絕對值大小代表影響的相對重要性。先利用訓練樣本P構建并訓練BP神經網絡， 在BP神經網絡訓練終止后，將訓練樣本P中每一自變量特征在其原值的基礎上分別加、減 10% (或自定義變化值），得到兩個樣本P1，P2,將P1、P2帶入BP神經網絡得到兩個仿真結果 A1和A2，求出A1和A2的差值，即得出該自變量對于應變量（網絡輸出）的MI V值，按照以上步 驟依次算出各個自變量的MIV值，再根據MIV絕對值的大小為各自變量排序，得到各自變量 對網絡輸出影響相對重要性的位次表，采用逐步剔除法實現變量的篩選。
[0004] MIV特征篩選和BP神經網絡為我們解決疏浚施工問題提供了一種新的思路。

【發明內容】

[0005] 為了克服現有技術的不足，本發明提供一種基于BP神經網絡的疏浚工藝調控參量 篩選方法，解決了現有技術中因疏浚工藝調控參量太多導致操作復雜的技術問題。
[0006] 本發明解決其技術問題所采用的技術方案是:一種基于BP神經網絡的疏浚工藝調 控參量篩選方法，包括以下步驟：
[0007] 步驟一，分析并選取影響疏浚工藝的參量；
[0008] 步驟二，建立參量輸入矩陣和輸出矩陣，得到訓練樣本，并對其進行標準化；
[0009] 步驟三，構建BP神經網絡模型，用標準化后的訓練樣本對其進行訓練；
[0010]步驟四，利用MIV算法，計算各參量的MIV值；
[0011] 步驟五，根據MIV值篩選出調控參量。
[0012] 進一步的，所述步驟一中，影響疏浚工藝的參量包括絞刀轉速、1#栗軸轉速、2#栗 軸轉速、水下栗轉速、臺車行程、橫移速度、管路平均濃度、管路流速、出口流速、絞刀厚度和 絞刀前進距離。
[0013] 進一步的，所述步驟二中，所選取的參量數據矩陣A作為輸入向量，產量矩陣F作為 輸出，得到訓練樣本P，根據零均值規范化法對矩陣進行標準化，方法如下：
[0014]
[0015] 其中，2和σΑ分別為矩陣A的均值和標準差。
[0016] 進一步的，所述步驟三中，BP神經網絡的訓練參數包括，顯示步數(show)為50,學 習步長(lr)為0.05,動量因子(me)為0.9,迭代次數(印ochs)為6000。
[0017] 進一步的，所述步驟四中，計算各參量的MIV值具體過程為，將訓練樣本中每一輸 入參量在其原值的基礎上分別加/減10%構成新的兩個訓練樣本Pi和P 2,將PjPP2分別作為 仿真樣本利用上述BP神經網絡模型進行仿真，得到兩個仿真結果AdPA 2,求出AdPA2的差 值：
[0018] IV=Ai-A2
[0019] 其中，IV為變動參量后對輸出產生的影響變化值，最后將IV按觀測例數平均得出 該參量對于產量的MIV:
[0020]
[0021]其中MIV為平均影響值，η為觀測例數。
[0022] 進一步的，所述步驟五中，選取MIV值大于0.05的參量為調控參量。
[0023]本發明的有益效果是，本發明通過構建ΒΡ神經網絡，利用MIV進行特征篩選，能夠 從諸多影響參量中選取作為調控參量，減少調控的參量，降低操作的復雜程度，使疏浚工藝 自動化程度更高。
【附圖說明】
[0024]圖1是本發明的流程圖。
【具體實施方式】
[0025]下面結合附圖對本發明作進一步描述。以下實施例僅用于更加清楚地說明本發明 的技術方案，而不能以此來限制本發明的保護范圍。
[0026] 如圖1所示，基于ΒΡ神經網絡的疏浚工藝調控參量篩選方法，包括以下步驟：
[0027] 步驟一，分析并選取影響疏浚作業施工工藝相關決策參量；
[0028] 疏浚施工工藝的效果通常由產量來衡量，影響產量有諸如泥漿濃度、泥漿流速、泥 沙粒徑、不同泥沙的沉降速度和管道性能等因素。表1列出了"天獅號"絞吸式挖泥船現場施 工實時采集的現場數據，收集影響疏浚作業施工工藝相關決策變量的數據資料，根據這些 數據來分析影響疏浚作業施工工藝相關決策的參量。通過分析，選取影響產量的參量有絞 刀轉速、1#栗軸轉速、2#栗軸轉速、水下栗轉速、臺車行程、橫移速度、管路平均濃度、管路流 速、出口流速、絞刀厚度和絞刀前進距離。
[0029] 表1疏浚施工工藝的產量和各參量的樣本
[0030]
[0031] 步驟二，選取多組樣本，建立參量數據矩陣和輸出矩陣，并對矩陣進行標準化；
[0032] 如表1所示，從"天獅"號收集的大量數據中隨機選取十組數據，建立參量數據矩陣 A，產量矩陣F;
[0033]
[0034]
[0035] 其中i代表參量個數，本實施例中i = 11; j代表各參量所選數據的個數，本實施例 中j = l〇;fi代表產量值。
[0036] 由于樣本中的數據不在一個數量級