摘要
针对基本差分进化法搜索精度不高,容易陷入局部最优的缺点,提出基于Alopex改进的差分进化法和自适应学习速率的BP神经网络相结合的学习法,首先运用改进的差分进化法来寻找满意的神经网络参数;然后调用自适应学习速率的LM法精调网络参数。某大型裂解炉裂解深度模型的仿真结果表明,所建模型的精度高,有实用价值。
Aimed at the disadvantages of basic differential evolution algorithm,presents an improved differential algorithm（IDE） based on Alopex（algorithms of pattern extraction）and BP algorithm with self-adapting learning-rate,first of all IDE would be used to optimize the weights of neural network and then in order to obtain better performance,the LM algorithm is applied to optimize the parameters.The results of the modeling of depth of fragmentation for fragmental furnace verify the better performance of IDE algorithm.
出处
《计算机与应用化学》
CAS
CSCD
北大核心
2008年第3期285-288,共4页
Computers and Applied Chemistry
基金
国家杰出青年科学基金(60625302)
国家863计划项目(2006AA042168)
上海市科委重大基础研究(05DJ14002)
上海市自然科学基金(06ZR14027)的资助.
