基于bp神经网络的疏浚工艺调控参量筛选方法
【技术领域】
[00011本发明涉及BP神经网络在疏浚工艺参量分析中的应用，尤其涉及一种基于BP神经 网络的疏浚工艺调控参量筛选方法，属于疏浚工程领域。
【背景技术】
[0002] 疏浚作为水下作业，工艺调控参量众多，而且目前国内疏浚自动化程度不高，仍以 人工操作为主。即使经验丰富的操作人员，由于影响泥浆流动状态的因素错综复杂，诸如泥 浆浓度、泥浆流速、泥沙粒径、不同泥沙的沉降速度和管道性能等，且各因素间相互影响导 致定性测试相对困难。致使疏浚生产一直处于低产低效且高能耗高排放状态。减少影响疏 浚施工的调控参量，可以降低操作的复杂程度，因此，提高疏浚自动化程度在今天显得尤为 迫切。
[0003] BP神经网络是1986年由以Rumelhart和McCelland为首的科学家小组提出，是一种 按误差逆传播算法训练的多层前馈网络，是目前应用最广泛的神经网络模型之一。之后， Dombi等人提出利用平均影响值(Mean Impact Value，MIV)来反映神经网络中权重矩阵的 变化情况。MIV算法是一种目前在神经网络中评价变量相关性的最好指标之一，其符号代表 相关方向，绝对值大小代表影响的相对重要性。先利用训练样本P构建并训练BP神经网络， 在BP神经网络训练终止后，将训练样本P中每一自变量特征在其原值的基础上分别加、减 10% (或自定义变化值），得到两个样本P1，P2,将P1、P2带入BP神经网络得到两个仿真结果 A1和A2，求出A1和A2的差值，即得出该自变量对于应变量（网络输出）的MI V值，按照以上步 骤依次算出各个自变量的MIV值，再根据MIV绝对值的大小为各自变量排序，得到各自变量 对网络输出影响相对重要性的位次表，采用逐步剔除法实现变量的筛选。
[0004] MIV特征筛选和BP神经网络为我们解决疏浚施工问题提供了一种新的思路。
【发明内容】
[0005] 为了克服现有技术的不足，本发明提供一种基于BP神经网络的疏浚工艺调控参量 筛选方法，解决了现有技术中因疏浚工艺调控参量太多导致操作复杂的技术问题。
[0006] 本发明解决其技术问题所采用的技术方案是:一种基于BP神经网络的疏浚工艺调 控参量筛选方法，包括以下步骤：
[0007] 步骤一，分析并选取影响疏浚工艺的参量；
[0008] 步骤二，建立参量输入矩阵和输出矩阵，得到训练样本，并对其进行标准化；
[0009] 步骤三，构建BP神经网络模型，用标准化后的训练样本对其进行训练；
[0010]步骤四，利用MIV算法，计算各参量的MIV值；
[0011] 步骤五，根据MIV值筛选出调控参量。
[0012] 进一步的，所述步骤一中，影响疏浚工艺的参量包括绞刀转速、1#栗轴转速、2#栗 轴转速、水下栗转速、台车行程、横移速度、管路平均浓度、管路流速、出口流速、绞刀厚度和 绞刀前进距离。
[0013] 进一步的，所述步骤二中，所选取的参量数据矩阵A作为输入向量，产量矩阵F作为 输出，得到训练样本P，根据零均值规范化法对矩阵进行标准化，方法如下：
[0014]
[0015] 其中，2和σΑ分别为矩阵A的均值和标准差。
[0016] 进一步的，所述步骤三中，BP神经网络的训练参数包括，显示步数(show)为50,学 习步长(lr)为0.05,动量因子(me)为0.9,迭代次数(印ochs)为6000。
[0017] 进一步的，所述步骤四中，计算各参量的MIV值具体过程为，将训练样本中每一输 入参量在其原值的基础上分别加/减10%构成新的两个训练样本Pi和P 2,将PjPP2分别作为 仿真样本利用上述BP神经网络模型进行仿真，得到两个仿真结果AdPA 2,求出AdPA2的差 值：
[0018] IV=Ai-A2
[0019] 其中，IV为变动参量后对输出产生的影响变化值，最后将IV按观测例数平均得出 该参量对于产量的MIV:
[0020]
[0021]其中MIV为平均影响值，η为观测例数。
[0022] 进一步的，所述步骤五中，选取MIV值大于0.05的参量为调控参量。
[0023]本发明的有益效果是，本发明通过构建ΒΡ神经网络，利用MIV进行特征筛选，能够 从诸多影响参量中选取作为调控参量，减少调控的参量，降低操作的复杂程度，使疏浚工艺 自动化程度更高。
【附图说明】
[0024]图1是本发明的流程图。
【具体实施方式】
[0025]下面结合附图对本发明作进一步描述。以下实施例仅用于更加清楚地说明本发明 的技术方案，而不能以此来限制本发明的保护范围。
[0026] 如图1所示，基于ΒΡ神经网络的疏浚工艺调控参量筛选方法，包括以下步骤：
[0027] 步骤一，分析并选取影响疏浚作业施工工艺相关决策参量；
[0028] 疏浚施工工艺的效果通常由产量来衡量，影响产量有诸如泥浆浓度、泥浆流速、泥 沙粒径、不同泥沙的沉降速度和管道性能等因素。表1列出了"天狮号"绞吸式挖泥船现场施 工实时采集的现场数据，收集影响疏浚作业施工工艺相关决策变量的数据资料，根据这些 数据来分析影响疏浚作业施工工艺相关决策的参量。通过分析，选取影响产量的参量有绞 刀转速、1#栗轴转速、2#栗轴转速、水下栗转速、台车行程、横移速度、管路平均浓度、管路流 速、出口流速、绞刀厚度和绞刀前进距离。
[0029] 表1疏浚施工工艺的产量和各参量的样本
[0030]
[0031] 步骤二，选取多组样本，建立参量数据矩阵和输出矩阵，并对矩阵进行标准化；
[0032] 如表1所示，从"天狮"号收集的大量数据中随机选取十组数据，建立参量数据矩阵 A，产量矩阵F;
[0033]
[0034]
[0035] 其中i代表参量个数，本实施例中i = 11; j代表各参量所选数据的个数，本实施例 中j = l〇;fi代表产量值。
[0036] 由于样本中的数据不在一个数量级