文档介绍：基于遗传算法和RBF神经网络的核电厂安全
管理评价模型
本文采集自网络,本站发布的论文均是优质论文,供学****和研宄使用,文中立场与本网站无关,版权和著作权归原作者所有,如有不愿意被转载的情况,请通知我们删除己转载的信息,如果需要分享, 请保留本段说明。
摘要遗传算法具有很强的全局搜索能力,但是容易造成未成熟的收敛,而径向基函数RBF神经网络的优势在于采用全局收敛的线性优化算法,唯一最佳逼近点唯一,二者结合的应用能弥补各自的缺陷。两种方法结合应用到核电厂安全管理评价领域,建立基于遗传算法和 RBP神经网络的核电厂安全管理评价模型,对核电厂安全管理存在的风险进行评价,有助于核电厂安全管理人员及时发现风险,采取应对措施,对于降低核电厂安全管理风险,确保人民群众生命财产安全和社会环境安全都具有极其重要的现实意义。
关键词遗传算法神经网络核电厂安全管理评价核电厂的安全管理评价是对核电厂的安全管理现状进行的评价分
析。科学合理准确的评价可以对核电厂的日常安全管理提供指导,为科学的开展安全管理提升提供参考。
利用遗传算法对RBF神经网络进行优化,保证了并行处理规模较
大信息的能力,发挥了概括、联想、类比、推理等综合处理数据的能力。因此常被用来处理复杂问题,并做出科学的预测。建立基于遗传算法和RBF神经网络的核电厂安全管理评价模型,既确保了对大规模数据的处理能力,又提升了安全管理评价的科学化水平,对于准确掌握核电厂安全管理现状,提升核电厂日常管理水平,有效保障企业员工的生命安全、国家财产安全和生态环境安全具有秉要意义。
一、遗传算法和RBF神经网路原理
遗传算法于1975年,巾美国的J. Holland教授提出。该随机化搜索方法借鉴了自然进化法则,即优胜劣汰、适者生存的遗传机制。该方法直接对结构对象进行操作;选用概率化的寻优方法,自动获取和指导优化的搜索范围。但该方法在实际应用中也存在部分局限性:因借鉴了优胜劣汰、适者生存的遗传机制,所以如果出现优势个体(局部最优解)时,就造成了过早收敛现象,也就无法搜索产生全局最优解;其次在经过多次重组演化后,容易丢失上一代的的基因片段,即同样造成无法得到全局最优值;再次传统的遗传算法通过杂交变异的手段,确定搜索空间,导致相似模式的数据种群片据优势,同样无法产生全局最优解。
RBF神经网络是一种前馈式神经网络,网络结构分为三部分:输入层、隐含层、输出层。它依据输入层少数的神经元(基础数据),利用隐含层(高效径向基函数),决定神经网络的输出层(预测数据)。隐含层(高效径向基函数),实际是通过利用高斯函数,执行固定的非线性操作指令,即将输入层(基础数据)映射到一个新的空间,通过输出居节点线性加权组合,输出形成结果。
输出函数为:
为隐含层神经元的输出,为权值,二者的乘积累加和即为RBF 神经网络的输出。输入层、隐含层相互连接,其中隐含层为一系列同一类型的径向基函数(高斯函数)[3]。KBF神经网络由高斯函数表示为:
其中,Ci代表了基函数的中心,代表了函数的宽度参数。从上述公式中可以看出:高斯函数的径向范围与函数的宽度参数成反比。在实际计算中,函数宽度参数的确定一般采用自适应梯度下降法确定,而确定Ci、、W的取值也就确定了为隐含层神经元的输出。
二、对RBF神经网路原理的优化
依据生物神经网络的机理建立基于