PSOBP神经网络的分级过程建模.pdf

收稿日期:2011-05-16; 修回日期:2011-06-26 基金项目:国家自然科学基金资助项目(60874069) 作者简介:周晓君(1986 —), 男,湖南衡南人,博士研究生, Email: tiezhongyu2010@ 第 28 卷第 7 期 2011 年 7 月 28 日计算机与应用化学 Computers and Applied Chemistry , July, 2011 PSO-BP 神经网络的分级过程建模 周晓君,阳春华,桂卫华 (中南大学信息科学与工程学院,湖南,长沙, 410083 ) 摘要:分级条件直接影响分级效率和精矿品位,为建立分级效率与分级条件之间的关系,首先通过机理分析建立分级效率模型结构,再采用 BP 神经网络建立模型结构参数与分级条件之间的关系。在网络训练中,考虑到基于梯度的优化方法易陷入局部极小的缺陷,采用 PSO 算法优化网络权值和阈值。实验表明,与基于梯度的动量 BP 算法相比, PSO 算法训练和测试网络的精度和稳定性均优于前者。最后,将训练好的网络用于实际分级效率模型进行分级效率预测,预测的结果为实际值与估计值的相对误差在 7% 以下,这表明预测精度能达到给定的工业指标。关键词:分级过程;神经网络; PSO 算法;动量 BP 算法中图分类号: O6 ;TP391 文献标识码:A 文章编号:1001-4160(2011)07-825-828 1 引言分级是依据颗粒在流体介质中的沉降速度的差异将物料分成若干粒级别的 1种粒度分离方法。在选矿实践中,通常将物料分成 2种粒度级别,即沉砂( 粗粒级) 和溢流( 细粒级)。在分级过程中,各个不同粒级的颗粒在沉砂和溢流产物中的分配状况反映了分级过程的分级特性, 它由分级效率描述,分级效率的好坏直接影响后续浮选作业和精矿产品的品位和回收率。因而,研究分级过程模型对工业生产的优化与控制具有重要的意义。分级过程的系统研究是从上世纪 80 年代初开始,李松仁等人通过研究,提出了分级模型的基本结构[1]。研究表明,不同分级条件下,分级模型参数(分级特性)与分级条件之间存在某种内在的规律性。谢恒星和李松仁等人选择主要条件变量的一次项、指数项、对数项及二次项和二次交互项作为自变量,利用逐步回归的方法,建立了 3个回归方程,与分级模型的基本结构构成了实际分级效率的预测模型[2] 。然而,无论是单级矿物还是混合矿物,采用回归方程建立的经验模型难以达到工业预测精度的要求。迅速发展的神经网络理论,比如 BP 网络,由于算法简单、易于实现且理论上已严密证明可任意逼近非线性函数,为复杂工业过程建模提供了有效途径。 BP 网络的性能主要取决于网络结构和训练算法。对于训练算法,很多研究者偏向于用业已成熟的梯度算法,包括最速下降 BP 算法、动量 BP 算法等,来训练网络。不可否认的是,梯度算法是 1种局部搜索方法,它用在解决复杂的非线性问题时,很容易陷入局部最优,产生非期望的结果[3] 。 PSO 算法[4] 是由 Kennedy 和 Eberhart 于 1995 年提出的 1 种全局搜索算法,它由于概念简单,容易实现,得到了极大的关注。事实上, PSO 算法在训练神经网络,寻找最佳网络结构,调整网络学习参数,优化网络权值等方面已经得到了很