一種提高神經(jīng)網(wǎng)絡(luò)局部預(yù)測能力的對(duì)數(shù)歸一化方法
【技術(shù)領(lǐng)域】
[0001] 本發(fā)明涉及人工智能應(yīng)用領(lǐng)域，特別是涉及一種提高神經(jīng)網(wǎng)絡(luò)局部預(yù)測能力的對(duì) 數(shù)歸一化方法。
【背景技術(shù)】
[0002] 人工神經(jīng)網(wǎng)絡(luò)是在現(xiàn)代神經(jīng)科學(xué)的基礎(chǔ)上提出和發(fā)展起來的，能夠反映一定人腦 結(jié)構(gòu)及功能的數(shù)學(xué)模型。人工神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)有很多種，主要可分為前饋型神經(jīng)網(wǎng)絡(luò)、自組 織競爭型神經(jīng)網(wǎng)絡(luò)以及反饋型神經(jīng)網(wǎng)絡(luò)等。在前饋型神經(jīng)網(wǎng)絡(luò)中，信息的傳遞是逐層進(jìn)行 的，即從輸入層到各隱含層，最后到達(dá)輸出層，下一層的輸入僅與上一次的輸出相關(guān)聯(lián)，一 般不存在反饋環(huán)路，所以稱之為前饋型網(wǎng)絡(luò)。前饋型網(wǎng)絡(luò)中的神經(jīng)元可分為輸入單元、計(jì)算 單元和輸出單元三部分。每一個(gè)計(jì)算單元可以有任意個(gè)輸入，但只能有一個(gè)輸出，其輸出又 可以與任意個(gè)同層神經(jīng)元的輸出相耦合，共同形成下一層神經(jīng)元的輸入?；谝陨咸攸c(diǎn)，這 類網(wǎng)絡(luò)很容易串聯(lián)起來，建立多層前饋網(wǎng)絡(luò)。Bp(BackPropagation)神經(jīng)網(wǎng)絡(luò)是一種典型的 前饋型網(wǎng)絡(luò)，它通過簡單非線性處理單元的復(fù)合映射，可獲得復(fù)雜系統(tǒng)的非線性處理能力， 是目前應(yīng)用最廣泛的神經(jīng)網(wǎng)絡(luò)計(jì)算模型。BP神經(jīng)網(wǎng)絡(luò)的基本組成單位是神經(jīng)元，每個(gè)神經(jīng) 元節(jié)點(diǎn)都包括輸入、輸出、權(quán)值、閾值以及轉(zhuǎn)換函數(shù)等要素。單個(gè)神經(jīng)元的輸出值y的計(jì)算公 式如下：
[0004] η為輸入數(shù)據(jù)的數(shù)量;Xi為神經(jīng)元的輸入;Wi為權(quán)值;b為閾值;t為轉(zhuǎn)換函數(shù);常用的 轉(zhuǎn)換函數(shù)包括Iogsig函數(shù)、tansig函數(shù)以及purelin函數(shù)等。
[0005] 當(dāng)神經(jīng)網(wǎng)絡(luò)的輸入變量矩陣或輸出變量矩陣中各元素的數(shù)值差異很大時(shí)，需對(duì)輸 入或輸出變量中的數(shù)據(jù)進(jìn)行歸一化處理。歸一化的目的是將不同類型的參量去量綱化，縮 小數(shù)值差別，并加快網(wǎng)絡(luò)收斂速度。歸一化的方法很多，使用最多的歸一化處理的公式如 下：
[0007]式中，yi為第i個(gè)樣本歸一化后的數(shù)據(jù)，即神經(jīng)網(wǎng)絡(luò)的輸入或輸出值;Xl是第i個(gè)樣 本的實(shí)際數(shù)據(jù)，Xmax為最大值、Xmin為最小值。
[0008]此方法只考慮了變量的變化范圍，未考慮變量中可能存在的閾值。在很多領(lǐng)域中， 神經(jīng)網(wǎng)絡(luò)對(duì)閾值附近數(shù)值的預(yù)測結(jié)果十分重要。例如，在室內(nèi)環(huán)境設(shè)計(jì)過程中，設(shè)計(jì)標(biāo)準(zhǔn)往 往使用限值的形式表示，神經(jīng)網(wǎng)絡(luò)對(duì)這些限值附近數(shù)值的預(yù)測結(jié)果直接決定了當(dāng)前環(huán)境是 否滿足設(shè)計(jì)標(biāo)準(zhǔn)。因此，有必要在歸一化過程中，考慮閾值的作用，提高神經(jīng)網(wǎng)絡(luò)對(duì)閾值附 近的預(yù)測能力。

【發(fā)明內(nèi)容】

[0009] 針對(duì)上述的現(xiàn)有技術(shù)及存在的問題，本發(fā)明提出了一種提高神經(jīng)網(wǎng)絡(luò)局部預(yù)測能 力的對(duì)數(shù)歸一化方法，實(shí)現(xiàn)了能夠提高神經(jīng)網(wǎng)絡(luò)局部預(yù)測能力的新的神經(jīng)網(wǎng)絡(luò)歸一化方 法。
[0010] 本發(fā)明提出了一種提高神經(jīng)網(wǎng)絡(luò)局部預(yù)測能力的對(duì)數(shù)歸一化方法，該方法包括以 下步驟：
[0011] 步驟1、根據(jù)預(yù)測對(duì)象，確定神經(jīng)網(wǎng)絡(luò)的輸入與輸出：使用抽樣方法產(chǎn)生訓(xùn)練樣本 的輸入值作為神經(jīng)網(wǎng)絡(luò)輸入值，使用計(jì)算流體力學(xué)方法計(jì)算每個(gè)訓(xùn)練樣本的輸出值，即設(shè) 計(jì)目標(biāo)值，作為神經(jīng)網(wǎng)絡(luò)輸出值；
[0012] 步驟2、使用線性歸一化方法對(duì)神經(jīng)網(wǎng)絡(luò)輸入值進(jìn)行歸一化處理；
[0013] 步驟3、確定神經(jīng)網(wǎng)絡(luò)輸出值的閾值，使用對(duì)數(shù)歸一化方法對(duì)神經(jīng)網(wǎng)絡(luò)輸出值進(jìn)行 歸一化處理，歸一化方法的計(jì)算公式如下：
[0015] 式中，yi為第i個(gè)樣本歸一化后的數(shù)據(jù)，即神經(jīng)網(wǎng)絡(luò)的輸出值，Xl是第i個(gè)樣本的實(shí) 際數(shù)據(jù)，X為閾值，Xm ax為最大值，Xmin為最小值。
[0016] 與傳統(tǒng)的線性歸一化方法相比，本發(fā)明的對(duì)數(shù)歸一化方法使神經(jīng)網(wǎng)絡(luò)的預(yù)測成功 率提高了17.1%。
【附圖說明】
[0017] 圖1為不同歸一化方法對(duì)比示意圖，（a)線性歸一化;（b)對(duì)數(shù)歸一化；
[0018] 圖2為本發(fā)明的一種提高神經(jīng)網(wǎng)絡(luò)局部預(yù)測能力的對(duì)數(shù)歸一化方法的算法模型 圖；
[0019] 圖3為本發(fā)明的具體實(shí)施例的座艙模型示意圖。
【具體實(shí)施方式】
[0020] 以下結(jié)合附圖及【具體實(shí)施方式】，進(jìn)一步詳述本發(fā)明的技術(shù)方案。
[0021] 如圖3所示，為本發(fā)明的具體實(shí)施例的座艙模型示意圖。神經(jīng)網(wǎng)絡(luò)的輸入為座艙模 型的入口速度Vin，入口溫度T in，入口角度Ain、入口位置Lin以及出口位置Uut。為了便于計(jì)算， 入口和出口的尺寸相同，入口及出口可選位置根據(jù)座艙幾何模型的尺寸確定，在窗戶的上 側(cè)設(shè)置了 14個(gè)可選的出入口，下側(cè)設(shè)置了 16個(gè)可選出入口，表1為各輸入變量的變化范圍及 變化間隔。
[0022] 表1、神經(jīng)網(wǎng)絡(luò)輸入變量參數(shù)
[0024] 神經(jīng)網(wǎng)絡(luò)輸出為PMV。、頭部速度Vhead、腳部速度Vfeat與垂向溫差Δ LPMVc為修正的 PMV(predicted mean vote)公式，其計(jì)算公式如下：
[0025] PMVc = -0.0758PMV2+0.6757PMV-0.1262 (6)
[0026] 使用拉丁超立方體抽樣方法，產(chǎn)生80個(gè)訓(xùn)練樣本的輸入值，使用計(jì)算流體力學(xué) (CFD)方法，獲得了每個(gè)樣本對(duì)應(yīng)的輸出值。使用線性歸一化方法對(duì)輸入值進(jìn)行歸一化處 理，分別使用線性與對(duì)數(shù)歸一化方法，對(duì)輸出數(shù)據(jù)進(jìn)行歸一化處理。
[0027] 各輸出值的設(shè)計(jì)標(biāo)準(zhǔn)為：（I) I PMVc I〈0·5; (2)0· lm/s〈Vhead〈0·2m/s; (3)Vfeat〈0·2m/ s; (4) Δ T〈2.8°C。因此，使用對(duì)數(shù)歸一化方法時(shí)，各輸出參數(shù)的閾值分別為：I PMVc I :0.5;頭 部速度:0. lm/s，0.2m/s;腳部速度:0.2m/s;垂向溫差:2.8°C。由于頭部速度存在兩個(gè)閾值， 將歸一化公式分為三段，將0. lm/s、0.2m/s分別歸一化為0.35與0.65。
[0028] 使用100組數(shù)據(jù)對(duì)不同歸一化方法條件下得到的神經(jīng)網(wǎng)絡(luò)的預(yù)測能力進(jìn)行檢驗(yàn)。 首先使用神經(jīng)網(wǎng)絡(luò)對(duì)這些數(shù)據(jù)進(jìn)行預(yù)測，若預(yù)測結(jié)果滿足設(shè)計(jì)標(biāo)準(zhǔn)，進(jìn)行CHH十算，使用預(yù) 測成功率評(píng)價(jià)神經(jīng)網(wǎng)絡(luò)對(duì)樣本判斷的準(zhǔn)確性，其計(jì)算公式如下：
[0029] SR=100% Xn(EcFD)/n(EANN)
[0030] n(ECFD)為CHH十算值滿足設(shè)計(jì)要求的個(gè)體數(shù)量，n(EANN)為神經(jīng)網(wǎng)絡(luò)預(yù)測值滿足設(shè) 計(jì)要求的個(gè)體數(shù)量。表2為使用不同歸一化方法時(shí)，神經(jīng)網(wǎng)絡(luò)的預(yù)測結(jié)果。
[0031] 表2、不同歸一化方法得到的神經(jīng)網(wǎng)絡(luò)預(yù)測成功率對(duì)比
[0033]使用線性歸一化時(shí)得到的預(yù)測成功率為18.2%，使用對(duì)數(shù)歸一化時(shí)得到的預(yù)測成 功率為35.3%。因此，使用對(duì)數(shù)歸一化代替線性歸一化后，神經(jīng)網(wǎng)絡(luò)預(yù)測成功率提高了 17.1%。
【主權(quán)項(xiàng)】
1. 一種提高神經(jīng)網(wǎng)絡(luò)局部預(yù)測能力的對(duì)數(shù)歸一化方法，其特征在于，該方法包括W下 步驟： 步驟1、根據(jù)預(yù)測對(duì)象，確定神經(jīng)網(wǎng)絡(luò)的輸入與輸出：使用抽樣方法產(chǎn)生訓(xùn)練樣本的輸 入值作為神經(jīng)網(wǎng)絡(luò)輸入值，使用計(jì)算流體力學(xué)方法計(jì)算每個(gè)訓(xùn)練樣本的輸出值，即設(shè)計(jì)目 標(biāo)值，作為神經(jīng)網(wǎng)絡(luò)輸出值； 步驟2、使用線性歸一化方法對(duì)神經(jīng)網(wǎng)絡(luò)輸入值進(jìn)行歸一化處理； 步驟3、確定神經(jīng)網(wǎng)絡(luò)輸出值的闊值，使用對(duì)數(shù)歸一化方法對(duì)神經(jīng)網(wǎng)絡(luò)輸出值進(jìn)行歸一 化處理，歸一化方法的計(jì)算公式如下：式中，yi為第i個(gè)樣本歸一化后的數(shù)據(jù)，即神經(jīng)網(wǎng)絡(luò)的輸出值，XI是第i個(gè)樣本的實(shí)際數(shù) 據(jù)，X為闊值，Xmax為最大值，Xmin為最小值。
【專利摘要】本發(fā)明公開了一種提高神經(jīng)網(wǎng)絡(luò)局部預(yù)測能力的對(duì)數(shù)歸一化方法，根據(jù)預(yù)測對(duì)象，確定神經(jīng)網(wǎng)絡(luò)的輸入與輸出：使用抽樣方法產(chǎn)生訓(xùn)練樣本的輸入值作為神經(jīng)網(wǎng)絡(luò)輸入值，使用計(jì)算流體力學(xué)方法計(jì)算每個(gè)訓(xùn)練樣本的輸出值，即設(shè)計(jì)目標(biāo)值，作為神經(jīng)網(wǎng)絡(luò)輸出值；使用線性歸一化方法對(duì)神經(jīng)網(wǎng)絡(luò)輸入值進(jìn)行歸一化處理；確定神經(jīng)網(wǎng)絡(luò)輸出值的閾值，使用對(duì)數(shù)歸一化方法對(duì)神經(jīng)網(wǎng)絡(luò)輸出值進(jìn)行歸一化處理。與傳統(tǒng)的線性歸一化方法相比，本發(fā)明的對(duì)數(shù)歸一化方法使神經(jīng)網(wǎng)絡(luò)的預(yù)測成功率提高了17.1％。<!-- 2 -->
【IPC分類】G06F17/50, G06N3/08
【公開號(hào)】CN105550425
【申請(qǐng)?zhí)枴緾N201510902571
【發(fā)明人】尤學(xué)一, 張?zhí)旎?
【申請(qǐng)人】天津大學(xué)
【公開日】2016年5月4日
【申請(qǐng)日】2015年12月9日