基于混合谋略鲸鱼优化的深度网络超参自适应研究.pdfVIP

基于混合谋略鲸鱼优化的深度网络超参自适应研究

摘要

在工业系统中，设备的故障诊断及预测具有重要的意义。在设备运行中，通过对设

备工况预测提前预知故障发生并及时运行维护是保证工业系统安全的可靠手段。这种手

段很难通过人为观察预测达到较好的效果。利用深度神经网络，可以构建良好的预测系

统，进而得到可靠的预测结果。但神经网络性能受限于神经网络超参数的选取，由于人

工选取参数较为困难，且可靠性较低，所以实现超参数的自适应就相当重要。本文针对

基于长短时记忆人工神经网络的预测模型超参数自适应问题开展研究，将其转化为数学

优化问题，利用提出的混合谋略鲸鱼优化算法寻求最优解的方式，构建HSWO-LSTM预

测模型，减少人为选参对模型的影响，提高模型的精度和效率。

本文首先针将基于LSTM预测模型的超参自适应问题转化为数学优化问题，建立合

适的目标函数及约束条件。其次，针对鲸鱼优化算法存在的种群初始化不平衡、后期收

敛速度慢和陷进局部最优不能轻易逃脱等不足，提出了HSWO算法。此算法采用混沌映

射来处理种群初始化的不平衡，并在搜索过程中引入了非线性收敛因子和自适应权重来

均衡HSWO的全局搜索与局部开发水平。此外，在包围过程中引入了一些适应度，以解

决陷入局部最优不能轻易跳出的问题。接着，从理论证明了HSWO算法的全局收敛性。

再者，用单峰函数和多峰函数在实验中证明HSWO算法相比于WO算法和PSO算法在

寻优效果和速度方面具有明显优势。最后，基于这些研究进一步提出了HSWO-LSTM预

测模型，针对核电站热工水力系统进行预测。通过HSWO算法对LSTM网络中的超参

数进行自适应选择，通过对模型进行训练和测试获得最优预测模型，之后将真实数据作

为网络输入，输出对应的五个点预测值。

通过对预测实验与对比实验结果的比较分析，本文提出的HSWO-LSTM预测模型

优于人工选择超参数的LSTM预测模型。

关键词：超参自适应；参数预测；HSWO算法；LSTM网络；最优化模型

基于混合谋略鲸鱼优化的深度网络超参自适应研究

ABSTRACT

Inindustrialsystems,faultdiagnosisandpredictionofequipmentisofgreatimportance.

Inequipmentoperation,predictingtheoccurrenceoffaultsinadvancebypredictingequipment

workingconditionsandoperatingandmaintainingthemintimeisareliablemeanstoensure

thesafetyofindustrialsystems.Thismeansisdifficulttoachievebetterresultsbyhuman

observationandprediction.Usingdeepneuralnetworks,agoodpredictionsystemcanbe

constructed,andthenreliablepredictionresultscanbeobtained.However,theperformanceof

neuralnetworksislimitedbytheselectionofneuralnetworkhyperparameters,anditisquite

importanttoachievehyperparameteradaptivitybecauseofthedifficultyofmanualselection

andlowreliability.Inthispaper,westudythehyperparameteradaptionprob