pso优化bp的matlab仿真,PSO优化BP神经网络岩爆预测的Matlab实现

244

工作研究 Work Research

PSO优化BP神经网络岩爆预测的Matlab 实现

文 / 肖雄 武汉理工大学土木工程与建筑学院 湖北武汉 430070

【摘要】由于影响岩爆因素的复杂性，以及

岩爆的极强灾害性。本文通过选择影响岩爆

程度的四项物理力学指标，最后运算组合以

后变成三项输入因子。应用 BP神经网络对

16 组国内外岩爆实际工程案例进行训练，得

到最优隐含层数。然后利用粒子群算法(PSO)

优化网络的初始权值和阈值，避免了单独使

用BP网络时说存在的不足。利用MatIab 及

其神经网络工具箱来实现网络的运算和预测。

将训练好的网路应用到三组实际的案例中，

最终结果表明：利用 PSO-BP 神经网络算

法所预测出来的结果和实际岩爆烈度一致，

且结果明显优于单因素判据和 BP网络预测

的结果。

【关键词】 BP 神经网络；粒子群(PSO)

优化算法；岩爆预测； MatIab

本文利用MatIab 9.1.0 (R2016b) 这一工具

进行BP神经网络的运算并利用粒子群(PSO)

进行网络的优化。相对遗传算法来说，粒子群优

化BP神经网络就没有交叉、变异等复杂操作。

PSO-BP 网络模型避免了 BP网络陷入局部最

优、收敛慢等缺陷。建立了多个岩爆影响因素与

岩爆程度之间的非线性映射关系，并得到了最优

初始权值和阈值。然后利用网络进行训练，最后

得出的结果与实际的岩爆程度一致。

1、基于粒子群算法的BP神经网络模型

1.1 BP 神经网络与岩爆的结合

(1)BP算法流程分成两个部分：信息的正

向传播和误差的反向传播。

(2)将影响岩爆的主要因素作为网络的输

入层，并告知网络学习样本的期望输出，然后让

网络计算出最优的初始权值和阈值。能够得到各

个影响因素之间的权重关系。利用神经网络解决

输入因子间的非线性关系，从而能够对岩爆的烈

度进行分级且避免了主观因素的影响。

1.2 粒子群(PSO)优化算法

粒子群算法 (ParticIe Swarm Optimizatio

n，PSO)，也称微粒群算法，它能够优化 BP

网络的关键一点是，能够找寻最优的初始随机权

重和阈值。

对于 PSO算法，所有粒子 ( 假设 N个 ) 通

过速度 Vi =(vi1,vi2,.......,viD) 更新其空间位置

Xi =(xi1,xi2,...,xiD)。粒子根据如下公式更新速

度和位置 [1]：

Vid(t+1)=wV id(t)+c1*r1* (pid- X id(t))+

c2*r2* (pgd- X id(t)) (1)

Xid(t+1)= Xid(t)+ Vid(t+1) (2)

2、PSO-BP 模型岩爆预测的Matlab

实现

2.1 网络参数的选取与训练

本文的岩爆实际案例数据来源于文献 [2]，

表 1是训练网络所用的 16 个工程实际案例。通

过公式(3)对样本数据的归一化处理，并进行

网络的训练以后得到了当隐含层数为 9时，所得

到的网络误差最小为 0.0711。样本数据归一化

公式：

(3)

式中，xmin 为样本输入数据中的最小数；

xmax 为样本输入数据中的最大数。

2.2 PSO-BP算法的工程实例

基 于 MATLAB9.1.0(R2016b) 对 PSO-

BP 算法进行了编制 [3]