基于粒子群算法优化BP神经网络的产品质量预测分析.docx

基于粒子群算法优化BP神经网络的产品质量预测分析王超英钟辉摘要：产品制造的过程中存在较大的不确定性，从事前预测的角度出发，提出了一种结合现有产品合格率、合格率变化规律等相关数据，借助BP神经网络等数学建模思想，并加入粒子群算法加以改进的产品质量预测模型，此种预测模型与传统BP神经网络相比，通过与粒子群算法的优化结合，进一步提高了预测精度。关键词：BP神经网络；改进；粒子群算法；产品质量预测TP18：AAbstract：Owingtoexistlargeruncertaintyintheprocessofproductmanufacturing，thispaperproposedanimprovedpredictionmodelofproductqualityjoinedparticleswarmoptimizationusingmathematicalmodelingthought，suchasBPneuralnetwork，whichiscombinedwithexistingproductpercentofpass，thequalifiedrateofchangelawandotherrelevantdata.ComparedwithtraditionalBPneuralnetwork，newpredictionmodelfurtherimprovesthepredictionaccuracythroughthecombinationwithparticleswarmoptimizationalgorithm.Keywords：BPneuralnetwork；improvement；particleswarmoptimization；predictionofproductquality1引言客观存在的产品质量风险问题不容忽视，以往常规的质控方法主要是在出现问题后，对问题成因进行分析，并加以解决，此种被动的事后处理方式，显然无法有效降低损失。与事后处理相比，显然事前预测的质控方式更具实效。基于此，本文从事前预测的角度出发，提出一种结合现有产品合格率、合格率变化规律等相关数据信息，借助BP神经网络等数学建模思想，并加入粒子群[1]算法加以改进的产品质量预测模型。2传统BP神经网络21BP神经网络的应用背景在产品质量的事先预测中，构建科学的预测模型是预测的基础。在以往较为单一的制造加工环境下，影响产品质量的因素较为单一，通过单变量、回歸模型等方式就能有效预测产品的质量及合格率。但现阶段产品制造加工的环节较多，不断朝着复杂多样化、科技化、智能化的方向发展，社会大众对产品质量的要求标准也越来越高，传统的单变量统计、回归模型预测等方面都难以适应现代产品生产的实际需要，无法适应当前的实际情况[2]。现代的产品生产加工工艺环节多、流程复杂，受到的能够影响产品质量的相关因素也较多，这也增加了预测模型的构建难度。此种背景下，具有信息分布式并行处理、线性及非线性多元分析能力的BP神经网络模型算法就得到了愈来愈多专家学者的青睐。22传统BP神经网络算法的优劣BP神经网络主要包括输入、隐含、输出等三个层次，其中隐含层又可细分成单层与多层。每个层次实际上都是一个处理单元，且均都含有若干个节点，每个节点代表一个因素，不同节点又成相互连接的关系，从而将不同层级连接为一套完整的神经网络[3]。同时隐含和输出层的节点又均带有相应的转移函数与阀值。转移函数通常为对数、线性函数或者是正切这几种类型，但需要注意不能选择二元性阀值函数、符号函数作为转移函数。BP神经网络实质上就是模拟人类思维，能够实现数据信息分布式存储与协同处理是其显著特色。将信息数据转化为概念，并以各个节点符号表示，最后根据符号进行运算，通过计算机执行，以此计算产品质量合格率。总体来看，BP神经网络在预测产品质量方面与以往变量分析、回归模型相比，能够更加全面、精确地分析对产品质量进行预测。但BP神经网络也并非尽善尽美，在实际计算中容易出现陷入局部极小值的情况，影响接下来的计算与预测。从这一角度出发。本文尝试引入粒子群算法对BP神经网络进行改进，以减少陷入局部极小值的几率，提高预测效果。3基于粒子群算法的BP神经网络改进算法31粒子群算法粒子群算法源于上世纪末，这一算法主要是模拟生物群体的集体性社会活动行为，其实质即为信息共享。即在一个群体中，不同个体间的活动、行为都会和其他个体产生相互影响，并共享一些来自其它个体的信息，并在共享后生成相应的活动与行为响应。粒子群计算法就是模拟此类生物群体行为，从全局角度，通过粒子间的影响，求得群体中的最优解[4-5]。从产品制造加工的多环节、多因素来看，如果将各因素看作为一个例子，那么粒子群算法能够有效契合现代产品制造加工的特点，有助于提高预测结果的可靠性。32基