基于遗传算法和BP神经网络的电池容量预测
遗传算法与神经网络
2.1 神经网络简介
人工神经网络（artificial neural network，缩写 ANN），简称神经网络（neural network， 缩写 NN），是一种模仿生物神经网络的结构和功能的数学模型或计算模型。神经网络由大量 的人工神经元联结进行计算。大多数情况下人工神经网络能在外界信息的基础上改变内部结 构，是一种自适应系统。现代神经网络是一种非线性统计性数据建模工具，常用来对输入和 输出间复杂的关系进行建模，或用来探索数据的模式。
进化次数限制； （1）计算耗费的资源限制（例如计算时间、计算占用的内存等）； （2）一个个体已经满足最优值的条件，即最优值已经找到； （3）适应度已经达到饱和，继续进化不会产生适应度更好的个体； （4）人为干预； （5）以及以上两种或更多种的组合。
3/9
遗传算法与神经网络
一个典型的遗传算法要求: 一个基因表示的求解域, 一个适应度函数来评价解决方案。
经过这一系列的过程（选择、交配和突变），产生的新一代个体不同于初始的一代，并 一代一代向增加整体适应度的方向发展，因为最好的个体总是更多的被选择去产生下一代， 而适应度低的个体逐渐被淘汰掉。这样的过程不断的重复：每个个体被评价，计算出适应度， 两个个体交配，然后突变，产生第三代。周而复始，直到终止条件满足为止。一般终止条件 有以下几种：
基于遗传算法和神经网络的股票价格预测
ＫＥＹＷ ＯＲＤＳ ＢＰ ｅ ａ ｔ ｎ ｕｒ ｌｎｅｗｏｒ ｋ， ｇｅ ｅ ｉ ｌ ｏｒｔ ｎ ｔｃａ ｇ ｉｈｍ ， ｓｏｃ ｒｃ ｔ ｋ ｐ ｉｅ， ｐｒ ｄｉｔｏｎ ｅ ｃｉ
在股 票 市场 中交易 股 价往 往 与 它 的本 身价 值 有
Ｂ Ｌ 作 为 输 入 项 。数 据 来 源 为 大 智 慧 软 件 收集 的 ＯＬ ２０ ０ ４年 ３月 １ ０日到 ２ ０ ０ ９年 ５月 ２ １日之 间 １２ ３个 １ 交 易 日里 金融 街 股票 的 相关 数据 。其 中前 １２ ０个 数 ０
据 作 为训 练数据 ， １ 后 ３个数 据作 为预 测数 据 。
一
史 基本 信息 ， 有如 ＫＤ 还 Ｊ等 间接 反应 走 势 的处理 后 信
息 。 文选 择开 盘价 、 高价 、 本 最 最低 价 、 收盘 价 、 交量 、 成
Ｍ Ａ５ 、ＭＡ１ 、Ｍ Ａ２ 、Ｍ ＡＣＤ、ＫＤＪ ０ ０ 、Ｗ＆Ｒ、ＯＢ 、 Ｖ
定 的差别 ， 这将 导致人 们投 资的风 险和机 遇 。例 如 ，
【 关键词 １Ｂ Ｐ神 经 网络 ，遗传 算 法 ，股 票价格 ，预 测
中图 分 类 号 ：ＴＰ ９ ３３ 文 献 标 识 码 ：Ａ
ＡＢ Ｔ Ｓ ＲＡＣ Ｔ Ｔｏ ｔ ｅ ｃ ｍｐ ｅ ｉ ｆ ｈ ｐ ｒ ｔｏ ｆ ｈ ｅ ｕ ｉｉｓ ｍａ ｋ ｔ ａ ｈ ｏ ｌ ｘ ｔ ｏ ｅ ｏ ｅ ａ ｉ ｎ ｏ ｅ ｓ ｃ ｒｔ ｒ ｅ ， ｎ ｉ ｒ ｖ ｄ Ｂ ｅ ｒ ｌ ｅ ｗｏ ｋ ｍｏ ｅ ｓｐ ｏ ｏ ｅ ａ ｄ ｙ ｔ ｔ ｅ ｍｐ ｏ ｅ Ｐ ｎ ｕ ａ ｔ ｒ ｄ ｌ ｎ ｗａ ｒ ｐ ｓ ｄ， ｎ
１ ２ 神经 网络 设计 ．
基于遗传算法的BP神经网络在电站锅炉主蒸汽温度控制系统中的应用研究
基于遗传算法的BP神经网络在电站锅炉主蒸汽温度控制系统中的应用研究许琴;颜海斌;杨建华;张润盘【摘要】在现代火力发电厂中,对锅炉主蒸汽温度的控制是非常严格的.由于主蒸汽温度具有延迟大、惯性大、非线性等特性,导致对其控制比较困难.利用神经网络的学习能力和鲁棒性以及遗传算法的全局随机搜索能力,在常规PID控制基础上,提出采用二者相结合的PID控制策略.通过计算机仿真表明,基于遗传算法的BP神经网络的PID控制策略具有更好的控制品质,具有较广阔的应用前景.【期刊名称】《应用能源技术》【年(卷),期】2012(000)006【总页数】4页(P21-24)【关键词】神经网络;遗传算法;PID;主蒸汽温度【作者】许琴;颜海斌;杨建华;张润盘【作者单位】中材节能股份有限公司技术部,天津300400;浙能中煤舟山煤电有限责任公司发电部,浙江舟山316100;浙能中煤舟山煤电有限责任公司发电部,浙江舟山316100;河北省电力勘测设计研究院,河北石家庄050031【正文语种】中文【中图分类】TK229.40 引言在火电厂机组控制方面，锅炉主蒸汽温度是一个很重要的被控参数，能否对主蒸汽温度进行有效的控制，对机组安全经济运行至关重要。
目前，各类PID控制器因其参数物理意义明确、易于调整，在热工控制系统中占据着主导地位。
但是，常规PID控制器本身存在的一些缺陷使它在实际应用中的控制效果不是很理想。
因此，设计一种能够适应多种工况变化、具有较强鲁棒性的锅炉主汽温控制系统尤为重要。
遗传算法与人工神经网络都是在生物学原理基础上的科研成果。
将其结合研究，可以借鉴二者长处寻找求解复杂问题的有效途径。
将遗传算法与神经网络结合，可以使神经网络系统扩大搜索空间、提高计算效率以及增强神经网络建模的自动化程度。
1 优化方案及算法实现在实际应用中，绝大部分神经网络模型都是采用BP神经网络及其变换形式，BP神经网络是前向网络的核心部分，同时BP网络也存在着学习收敛速度慢、不能保证收敛到全局最小点等缺陷，其权值通常由梯度法来确定，因此经常经过多次反复试验却很难找到最优的权值。
基于人工神经网络和遗传算法的普鲁兰酶重组大肠杆菌高密度发酵工艺优化
基于人工神经网络和遗传算法的普鲁兰酶重组大肠杆菌高密度发酵工艺优化迟 雷，王静雨，侯俊超，魏佳佳，魏 涛，胡晓龙，何培新*（郑州轻工业大学食品与生物工程学院，河南 郑州450000）摘 要：基于人工神经网络和遗传算法，对重组大肠杆菌（Escherichia coli ）BL 21表达热稳定普鲁兰酶的高密度发酵工艺进行优化。
在5 L 的发酵罐中，通过比较不同发酵温度、pH 值及培养基碳氮比（C /N ，mol /mol ）对细胞量和产物产量的影响，确定最佳发酵工艺。
结果表明，诱导前适合细胞生长的发酵条件为发酵温度34.4 ℃、pH 6.87、培养基C /N 6.1；诱导后适合产物表达的发酵条件为发酵温度32.5 ℃、pH 6.69、培养基C /N 5.3，最终获得细胞质量浓度56.5 g /L ，重组蛋白产量3.21 g /L ，酶活力为268.3 U /mL 。
关键词：重组普鲁兰酶；神经网络；遗传算法；高密度发酵Artificial Neural Network-Genetic Algorithm-Based Optimization of High Cell Density Cultivation ofRecombinant Escherichia coli for Producing PullulanaseCHI Lei, WANG Jingyu, HOU Junchao, WEI Jiajia, WEI Tao, HU Xiaolong, HE Peixin *(School of Food and Bioengineering, Zhengzhou University of Light Industry, Zhengzhou 450000, China)Abstract: In this study, the high cell density cultivation of recombinant Escherichia coli BL 21 for the production of a novel thermostable pullulanase was optimized using artificial neural network and genetic algorithm. The effects of culture temperature, medium pH, and carbon-to-nitrogen (C /N) molar ratio were tested in a 5 L bioreactor. The results suggested that the optimal culture conditions before the induction phase were as follows: temperature 34.4 ℃, pH 6.87 and C /N ratio 6.1, and the optimal culture conditions after induction were 32.5 ℃, pH 6.69 and 5.3 C /N ratio. The maximum biomass, protein concentration and pullulanase activity obtained under these conditions were 56.5 g /L, 3.21 g /L and 268.3 U /mL, respectively.Keywords: recombinant pullulanase; neural network; genetic algorithm; high cell density cultivation DOI:10.7506/spkx1002-6630-20200101-006中图分类号：Q815 文献标志码：A 文章编号：1002-6630（2021）10-0073-06引文格式：迟雷, 王静雨, 侯俊超, 等. 基于人工神经网络和遗传算法的普鲁兰酶重组大肠杆菌高密度发酵工艺优化[J]. 食品科学, 2021, 42(10): 73-78. DOI:10.7506/spkx1002-6630-20200101-006. CHI Lei, WANG Jingyu, HOU Junchao, et al. Artificial neural network-genetic algorithm-based optimization of high cell density cultivation of recombinant Escherichia coli for producing pullulanase[J]. Food Science, 2021, 42(10): 73-78. (in Chinese with English abstract) DOI:10.7506/spkx1002-6630-20200101-006. 收稿日期：2020-01-01基金项目：国家自然科学基金青年科学基金项目（31801535）；河南省重大科技专项（181100211400）；河南省教育厅科技创新人才项目（18HASTIT040）；郑州轻工业大学博士科研启动基金项目（2013BSJJ004）第一作者简介：迟雷（1983—）（ORCID: 0000-0002-7824-2785），男，副教授，博士，研究方向为发酵工程。
基于遗传算法与BP神经网络的股票预测
基于遗传算法与BP神经网络的股票预测胡照跃;白艳萍【摘要】股票价格走势已经成为人们关注的焦点,本文应用遗传算法去寻找BP神经网络的初始权值和阈值,并且应用主成分分析提取贡献率达到90%的主成分作为输入变量对股票进行预测。
本文以苏宁云商为对象对其开盘价进行预测,实验结果表明,PCA-GA-BP模型在降低预测平均误差的同时,运行时间大大减少,加快了算法收敛速率,较为准确地预测了苏宁云商的开盘价,具有较高的精确度和应用价值。
【期刊名称】《数字技术与应用》【年(卷),期】2016(000)003【总页数】1页(P146-146)【关键词】股票;BP网络;主成分分析;遗传算法【作者】胡照跃;白艳萍【作者单位】中北大学理学院数学系山西太原 030051;中北大学理学院数学系山西太原 030051【正文语种】中文【中图分类】TP183现在股市投资已经成为人们日常生活的一个重要组成部分，然而股市投资的收益与风险往往是成正比的［1-2］。
近年来，由于神经网络技术的飞速发展，为股票市场预测中新技术、新方法的应用提供了有利条件。
BP神经网络具有很强的非线性模拟能力，遗传算法能够收敛得到全局最优解，因此本文分别将遗传算法与BP神经网络结合起来［3］，使BP神经网络具有较快的收敛性、全局优化能力和较强的学习能力。
BP学习算法属于全局逼近算法，有较好的泛化能力，但是BP神经网络有收敛速度慢、易陷入局部最小值的缺点［4］。
遗传算法（Genetic Algorithms，简称GA算法）是1962年由美国Michigan大学Holland教授提出的模拟自然界遗传机制和生物进化论而成的一种并行随即搜索最优化方法。
遗传算法是基于自然选择和遗传学机理的迭代自适应概率搜索算法，可克服人工神经网络自身的缺陷，逐步提高网络训练速度和预测精度［5］。
主成分分析（Principal component analysis，简称PCA）是由Hotelling于1933年提出［6］。
基于BP神经网络的股票价格预测模型
基于BP神经网络的股票价格预测模型股票市场是一个高度波动的市场，股票价格每天都发生着变化，投资者需要在这个市场中赚取利润，但是要预测股票价格的变化是非常困难的。
传统的基本面分析和技术分析方法虽然可以对市场产生一定的影响，但是对于股票价格预测的准确性并不高。
近年来，随着神经网络技术的发展，越来越多的学者开始利用神经网络模型来进行股票价格预测。
BP神经网络作为一种最为基础的神经网络模型在股票价格预测中得到了广泛的应用。
本文将基于BP神经网络模型，探讨其在股票价格预测中的应用和优缺点。
一、BP神经网络模型概述BP神经网络模型是一种前向反馈的多层神经网络模型，由输入层、隐层和输出层组成。
输入层接收外部输入数据，隐层对输入值进行一定的特征提取和转换后输出到输出层，输出层则给出最终结果。
在训练过程中，BP神经网络利用反向传播算法，不断调整网络的权重和阈值，使得网络的输出结果与实际结果尽可能的接近。
二、BP神经网络在股票价格预测中的优缺点1.优点（1）非线性映射能力：BP神经网络模型能够非线性地拟合股票价格的变化趋势，能够更好的适应复杂和非线性的市场环境。
（2）自适应性：神经网络模型能够自动地对权重和阈值进行调整，对于不同的市场环境和数据情况都能够有一定的适应性。
（3）数据处理能力：神经网络模型具有较好的数据处理能力，能够识别并利用大量的数据和变量进行预测，这为股票价格预测提供了很大的便利。
2.缺点（1）过拟合问题：当神经网络模型的训练数据过多或者网络结构过于复杂时，容易出现过拟合问题，导致模型的泛化能力下降。
（2）训练时间长：传统的BP神经网络需要进行大量的迭代训练，对计算机资源和时间的要求较高。
（3）参数选择困难：BP神经网络的训练结果受到很多参数的影响，需要进行不断的试错才能得到最优的参数选择，影响模型的实用性。
三、BP神经网络模型的应用案例1.利用BP神经网络预测股票趋势李果等人利用BP神经网络，以2014年沪深300个股为样本，建立了股票价格预测模型，结果显示BP神经网络具有较好的精度和稳定性。
基于遗传算法的BP神经网络在企业资信评估中的应用
关键词 ：遗传算法；反 向传播神经网络 ；资信等级评估
中图分类 号 ：Ｔ ３ １５ Ｐ １ ． 文 献标 志码 ：Ａ 文 章编 号 ：１０ —６ ５ ２ ０ ） ８ ０ ０ — ３ ０ １ ３ ９ （ ０ ７ ０ — ３ １０
Ａｐ ｌｃ ｔ ｎ ｉ ｒ ｄｔａｉ ｇ ｅ ａｕ ｔｏ ａ ｅ ｎ ＢＰ ｎ ｕ ａ ｅｗｏ ｋ ｐ ｉａｉ ｎ ｃ ｅ ｉｒｔｎ ｖ ｌａｉｎ ｂ ｓ ｄ ｏ ｅ ｒｌｎ ｔ ｒ ｏ
基 于遗 传 算 法 的 Ｂ Ｐ神 经 网络 在 企 业 资信 评 估 中的应 用
孟凡超 ，张洪伟 ，徐
摘
剑
（ 川大学 计 算机 学院 ， 都 ６０６ ） 四 成 １０ ５ 要 ： 出 了一种新 的企 业资信 评估 方法 。通过 把神 经 网络 和遗 传 算 法有机 地 结合起 来 ， 克服 了传 统 Ｂ 提 既 Ｐ
ｗｔ ＃ Ｎ Ｔ ａｄＳ Ｌｓｒｅ ００ Ｔ ｅｒ ｉ ａｔ ｏ ｐｒ ｅ ｔ ｅｕ ｓｉｄ ａｅｔａ Ｂ —ａｅ ｅｒ ｅ ｏｋｃｎｅａ ａｅ ｉ Ｃ ， Ｅ ｎ Ｑ ｖｒ ０ ． ｈ ａｏ ｌｙ ｆ ｘ ｅ ｍ ｎ ｒ ｌ ｉ ｔ ｈｔ Ｐｂｓｄｎｕａ ｎｔ ｒ ａ ｖｌ ｔ ｈ ｅ ２ ｔ ｎ ｉ ｅ ｉ ｓｔ ｎ ｃ ｌ ｗ ｕ
ｉ ｒ ｄｔ ｎ ｌＢ ｅｗ ｒ ｎ ｔ ｉ ｏ ａ Ｐ ｎ ｔ ｏ ｋ，ｂ ｔａｓ ｍｐ ｏ ｅ ｈ ｏ ｖ ｒ ｅ ｔｅｆｃｅ ｃ ｆｎ ｔ ｒ ｙ ｕ ｉ ｇ ＧＡ．Ｔ ｅ ｍｏ ｅ ｗａ ｍｐ ｅ ｎ ｅ ａ ｉ ｕ ｌ ｉ ｒ ｖ ｄ ｔｅ ｃ ｎ ｅｇ ｎ ｆ ｉ ｎ ｙ ｏ ｅｗｏ ｋ ｂ ｓ ｏ ｉ ｎ ｈ ｄ ｌ ｓ ｉ ｌｍｅ ｔｄ
ｃ ｒ ｏ ａｉｎ ｃ ｕ ａｅｙ ａ ｄ ｅ ｃｅ ｄ ｙ ｃｅ ｉ ｒ ｔ ｇ ｏ ｐ ｒ ｔ ｓａ ｃ ｒ ｔ ｌ ｎ ｆ ｉｎ ｙ ｂ ｒ ｄ ｔ ａｉ ． ｏ ｉ ｎ
遗传算法的BP网络模型进行瓦斯涌出量预测
５ ２
西 安 科 技
大 学 学 报
２１ ０ ２盘
方式相互交换其部分基 因， 从而可能形成适应度更 高的染色体 ； 变异操作是将某个染色体 中的某些基因
座上的基因值 ， 用其他等位基因来替换 ， 形成一个新 的个体 ， 以改善遗传算法 的局部搜索能力 ， 维持群体
的多样 性 ， 防止 出现早 熟现 象 。 １ ３ 模 型优化 ．
第３ 卷 第 １ ２ 期
２１ ０２年 ０ １月
西
安
科
技
大 学 学
报 Βιβλιοθήκη Ｖ １ ３ Ｎ０ １ ｏ． ２ ．
Ｊ Ｒ Ｌ Ｏ Ｉ Ａ Ｉ ＥＲ Ｉ Ｙ Ｏ Ｃ Ｅ Ｃ ＮＤ Ｔ Ｃ ＯＵ ＮＡ Ｆ Ｘ ’ Ｎ ＵＮ Ｖ ＳＴ Ｆ Ｓ Ｉ Ｎ Ｅ Ａ Ｅ ＨＮＯ ＯＧ Ｌ Ｙ
收 稿 日期 ： ０ １— ６— ９ ２ １ ０ ２
基金项 目： 陕西省教 育厅专项基金 （９ Ｋ ８ ） 陕西省 自 ０ Ｊ５ ７ ， 然科 学基 金（ ０ ５ Ｏ ） ２ ０ Ｄ １ 资助 通讯作者 ： 王生全 （ ９ １ ） 男 ， １６ 一 ， 陕西岐 山人 ， 教授 ， 主要从事 瓦斯地质与煤 田地质教学研究工作
Ｊ ｎ ２ １ ａ． ０２
文 章 编 号 ：１７ ６２—９ １ （０ ２ ０ — ０ １— ６ ３５ ２１ ）１ ０５ ０
遗传算 法的 Ｂ Ｐ网络 模 型 进 行 瓦斯 涌 出量预 测
王生全 刘柏 根 张召召 ， 琪 冯 海 ， ， 范 ，
（． １西安科技 大学 地质与环境学院 ， 陕西 西安 ７ ０ ５ ２ 煤炭科学研究总院 西安研究 院 ， １０ ４； ． 陕西 西安 ７ ０ ５ ） １０ ４
个数 。
基于遗传算法的BP神经网络模型在道路交通事故宏观预测中的应用
Ｙ Ｅ ｎｇ， Ｓ Ｎ ｅ ｄ Ｆｅ Ｕ Ｋ —ａ
（ ｏ ｌ ｅｏ ｕ ｉｅ ｓＡｄ ｎｓｒ ｔ ｎ ｈ ｊ ｎ ｉｅｓ ｙ ｏ ｅ ｈ ｏｏ ｙ Ｃ ｌ ｇ ｆ ｓ ｓ ｅ Ｂ ｎ ｍｉｉ ａｉ ，Ｚ ｅ ａ ｇＵｎｖ ｒｉ ｆＴ ｃ ｎ ｌｇ ，Ｈａ ｇ ｈ ｕ ３ ０ ３ 。Ｃ ｉａ ｔ ｏ ｉ ｔ ｎ ｚ ｏ １ ０ ２ ｈｎ ）
ｓ ｆ ｔ ｔａ ｅ ． ａ ｅ ｙ ｓ ｒ ｔ ｇｙ
Ｋ ｅ ｒ ｓ：ｇ ｎｅ ｉ ｌ ｏｒｔ ｙ ｗｏ ｄ ｅ ｔｃａ ｇ ｉｈｍ ；ＢＰ ｎｅ ｒ ｌｎｅ ｗ ｏ ｋ；ｇｅ ｔｃ ｎ ｕ ａ ｅ ｗ ｏ ｋ；ｒ ａ ｒ ｆｉ ｃ ｉ ｅ ｔ； ｕ ａ ｔ ｒ ｎｅ ｉ ｅ ｒ ｌｎ ｔ ｒ ｏ ｄ ｔ ａ ｆｃ ａ ｃｄ ｎ ｍ ａ ｒ ｃ ｉ ｒ ｄ ｃ ｉ ｎ ｃ ｏｓ ｏｐ ｃ ｐ ｅ ｉｔｏ
．
ｒ ｓ ｌｓ ｉ ｄｉａ ｅ ｔ ｔ ｔ ｅ ｕ ｔ ｎ ｃ ｔ ｈａ ｈｅ ｍｏｄ ｌｉ ｆｅ ｔｖ ｎ ａ ｏ ｆ ｒ ｔ ｅ ｒ ｔｃ ｌ ａ ｉ ｆ ｒ ｅ ｔ ｂ ｉ ｈ ｎ ｒ ｆ ｉ ｅ ｓ ｅ ｆ ｃ ｉｅ ａ ｄ ｃ ｎ ｆｅ ｈ ｏ ｅ ｉａ ｂ ｓｓ ｏ ｓ ａ ｌｓ ｉ ｇ ｔ ａ ｆｃ
．
ｈｉ ｃ ａ ｅ Ｉ ｈｅ ｏ ｌ ｄ ａ ｈｓ ｆ ｔ ａ ｆｃ ｃ ｉ ｎｔ ｒ ｔ ｔ ｕｔ ａ ｉ ｂ ｅ ， ａ ｄ ｇｈ ａｃ ｕｒ ｔ ． ｎ ｔ ｍ ｄｅ 。 ｅ ｔ ｃ ｒ ｆｉ ａ ｃｄｅ ｓ ａ ｅ ｈｅ ｏｕ ｐ ｖ ｒａ ｌ ｓ ｎ ｖｅ ｃ ｅ ｈｉｌ ｓ ｑ ａ ｉｙ，ｈ ｇ ｕ ｎｔｔ ｉ ｈｗ ａ ｉ ａ ｙ ｍ ｌ ｇｅ，ａ ｒ ｇ ＤＰ Ｏ ｅ ｒ ｏ ｒ ｎｐ ｒａ ｅ Ｔ ｈ ｏ ｄ ｔ ａ ｆｃａ ｃ — ｅ ｖｅ ａ ｅ Ｇ ｆｐ ｒｐｅ ｓ ｎ ａ ｅ ｉ ｕｔｖａ ｉｂｌ ｓ ｅ ｒ ａ ｒ ｆｉ ｃ ｉ
基于主成分_遗传神经网络的短期风电功率预测
到解决问题的目的[11]。 设有 n 组数据，每组数据包含有 p 个变量，得 到原始数据矩阵 X n p ， 主成分分析法简化输入的过 程如下[12-13]。 （1）原始数据标准化 为消除原变量的量纲不同、数值差异太大带来 的影响，对原始数据进行标准化处理，即
yij
xij xj
j
（1）
式中， i 1,2,, n ; j 1,2,, p 。
表 1 4 个变量的协方差矩阵特征值 Table 1 The eigenvalue of four variables covariance matrix
主成分 变量名 Z1 Z2 Z3 Z4 协方差矩阵 特征值 1.629 1 1.018 3 0.864 4 0.488 2 相邻两特征 值之差 0.610 8 0.154 0 0.376 1 主成分 贡献率 40.727 2 25.457 8 21.609 0 12.206 0 累计 贡献率 40.727 2 66.185 0 87.794 0 100.000 0
特征向量为
αi ( i1 , i 2 , , ip ) T , i 1, 2, , p
（ 3 ）计算方差贡献率 k 和累积方差贡献率 (k ) 。
k k / k
k 1
p
（3）
p
(k ) i / i
i 1 i 1
k
（4）
（4）求出主成分 Z = Yα 且当 (s) ， 则 Z1 , Z 2 , , Z s 称 若 (0,1) ， 为样本 X 1 , X 2 , , X p 的显著性水平为 的主成分。 其 中 ( s) 为 第 s 个 主 成 分 累 计 贡 献 率 。 以
Z1 , Z 2 ,, Z s 来代替 X 数又消除了原样本空间的自相关性。
- 1、下载文档前请自行甄别文档内容的完整性，平台不提供额外的编辑、内容补充、找答案等附加服务。
- 2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
- 3、如文档侵犯您的权益，请联系客服反馈,我们会尽快为您处理(人工客服工作时间：9:00-18:30)。
研究与设计2011.12Vol.35No.12收稿日期：2011-06-03作者简介：冯楠（1984—），男，河北省人，硕士，主要研究方向为汽车电子及嵌入式系统开发。
1586
基于遗传算法和BP神经网络的电池容量预测冯楠，王振臣，胖莹(燕山大学电院工业计算机控制工程系河北省重点实验室，山东秦皇岛066004)
摘要：为了对纯电动汽车的电池剩余电量进行准确的预测，在分析了影响电池剩余容量的多种因素后，应用了BP神经网络建立了电池模型，并应用遗传算法对其权值阈值进行了优化。最后，用MATLAB编写了仿真程序进行了多组数据的测试，并与纯BP网络进行了对比，结果表明，优化后的网络具有训练时间短，精度高的特点，对电池容量的预测是有效的。关键词：电池容量；BP网络；遗传算法中图分类号：TM910文献标识码：A文章编号：1002-087X(2011)12-1586-03
BPneuralnetworksbasedongeneticalgorithmsanditsapplicationinpredictionofbatterycapacityFENGNan,WANGZhen-chen,PANGYing(KeyLabofIndustrialComputerControlEngineeringofHebeiProvince,YanshanUniversity,QinhuangdaoShandong066004,China)
Abstract:Forpredictingthestateofcharge(SOC)ofpureelectriccarbatteryprecisely,BPneuralnetworkwasadoptedtopredictthestateofchargeofbattery,tocreatethemodelandtoutilizeGAtooptimizeitsweightsandbias,analyzingmanyfactorsthataffectingthebatteryresidualcapacity.Finally,theemulationprogramwrittenbyMATLABmultiplesetsofdataweretestedandcomparedwithpureBPnetwork.Theresultsshowthattheoptimizednetworkhasashorttrainingtimeandhighaccuracy,andthepredictionofthebatterycapacityiseffective.Keywords:batterycapacity;BPneuralnetwork;GA
随着我国国民经济的发展和人民生活水平的日益提高，汽车走入了千家万户，但传统的燃油汽车在给人们的生活和工作带来便捷的同时，也在威胁着人类的生存环境。纯电动汽车以其零排放，噪声低等优点越来越受到世界各国的重视，被称作绿色环保车。作为发展电动车的关键技术的蓄电池管理，也是电动车产业化的关键。准确可靠的获得电池剩余容量是蓄电池的主要任务之一。蓄电池的荷电状态受放电电流、内部温度、自放电、老化等因素的影响，使得蓄电池的实际容量难以确定。传统的电池容量估算策略主要有：开路电压法、内阻法、安时计量法、放电实验法。目前应用较多的有神经网络法、线性模糊算法、卡尔曼滤波算法等。由于电动汽车蓄电池的应用属于大电流和电流波动剧烈的场合，卡尔曼滤波法和神经网络法具有较好的适应性，但卡尔曼滤波法在建立准确使用的电池模型上存在很大困难，系统噪声统计特性的不确定性，容易引起滤波发散。由于神经网络不需要确定具体的数学模型，因此更适用于处理此类问题。本文采用了基于遗传算法和BP神经网络的混合算法，用遗传算法优化BP网络初始权值和阈值，再由BP算法按负梯度方向修正网络权值及阈值，进行网络训练，这种方法避免了BP网络容易陷入局部极小问题，使得电池剩余容量的预测更
加精确。1遗传算法在BP神经网络中的应用
在神经网络的实际应用中，80%～90%的模型都采用了误差反向传播算法，即BP神经网络模型，由于它可以实现输入和输出的任意非线性映射，使得它在诸如函数逼近、模式识别、数据压缩等领域有广泛的应用[1-4]。但BP神经网络的训练是基于误差梯度下降的权重原则修改，其结果不可避免的存在局部极小，收敛速度慢和引起震荡等问题，因此在电池剩余容量的预测中存在一定缺陷。遗传算法是一种基于自然选择和遗传变异等生物机制的全局性概率搜索算法，主要特点是群体搜索策略和群体中个体信息的交换，不依赖梯度信息，也不需要求解函数可微，只需该函数在约束条件下可解，因此该方法尤为适用于处理传统方法难以解决的复杂和非线性问题。用它优化神经网络的连接权和网络结构，可以较好的克服BP神经网络的问题并有效提高神经网络的预测精度。
Kolmogorov定理表明，给定任一连续函数f∶U→Rm，
f(X)=Y，这里U是闭区间[0,1]，f可以精确的用一个三层网络
实现，第一层（输入层）有m个处理单元，隐层（中间层）有2m+1个处理单元，第三层（输出层）有n个处理单元。由此
定理知道一个三层的BP神经网络可以逼近任意的非线性映2011.12Vol.35No.12
研究与设计1587射，实际应用中，一般采用三层的BP神经网络就可以满足需要，因此本次采用BP神经网络模型的三层结构,如图(1)所示。
2算法的实现
2.1网络结构确定
设神经网络的输入层节点数为m，输出层节点数n，中间层节点数为S1=2m+1。采用实数编码，则遗传算法编码长S=m×S1+S1×n+S1+n。中间层采用tansig激活函数，其输出
A1=tansig(w1×p,B1)，输出层采用purelin
激活函数，其输出
A2=purelin(w2×A1,B2)，式中w1、w2
为隐层和输出层的权
值，B1,B2为输出层的阈值，p为输入网络的样本。2.2算法步骤
(1)初始化：包括遗传算法的复制概率Pc，交叉概率Se，变
异概率Pm，以及对S、m、S1、n等参数的初始化，采用实数编码，随机产生初始群体，设为N个个体。(2)适应度函数的选择：一般用误差平方和的倒数作为适
应度函数，即：E(i)=1/S(i)，式中S(i)为误差平方和，即：
式中：i为1～N种群数；n为输出层节点数；Q为样本数；T为样本实值。(3)复制：根据适应度大小进行选优操作，选择适应度大的
个体进入下一代，适应度小的个体被淘汰。(4)交叉：采用分步随机的方法选择交叉父代，父代以线性
交叉的方式产生子代。(5)变异：采用非均匀变异操作，即各代中参与变异操作的
编码长度的变异量是非均匀变化的，变异量是编码长度取值区域左右边界，当前进化代数，最大进化代数和形状系统等参量的函数。(6)变量的边界确定：根据以上的网络结构，在[－1,1]区间
内搜索网络的最优初始权值和阈值，避免纯BP网络陷入局部极小的缺陷。(7)终止：如训练目标满足终止条件，则终止。否则重复步
骤(3)～(6)，直到训练目标满足终止条件为止，以最优适应度个体作为最优解输出。2.3解码
将上述过程中输出的最优个体解码成权值和阈值，为下一步的网络训练提供初始权值和阈值。
2.4网络的训练和检验
利用样本，根据各层输出量及反向误差，反向修正各层权值和阈值，达到训练目标则停止，否则进行循环训练，直至满足训练目标为止。将待检验的样本数据输入训练好的网络进行仿真。3实验结果与分析
训练样本的选择对保证神经网络的精度是十分重要的，在确定网络参数和结构后，利用已知容量的电池以一定放电电流和放电电压作为输入值，以实验获得的容量值作为目标值。本文选用品胜2300mAh电池作为实验对象，采用相同的充电制度，试验在室温下进行，不考虑温度的影响。分别选取了放电电流为0.2、0.4、1、2.6、3.2C下的15个典型电压值作为训练输入，其对应的容量值作为输出。网络训练通过MAT-LAB进行，得到的误差曲线如图(2)和图(3)所示。
电流由两组图对比可以看出，GA-BP方法明显优于纯BP预测方法；GA-BP方法于2000步左右可以收敛于目标误差值，而纯BP方法即使循环到3000步，也未能收敛于目标误差。由此可见，使用GA-BP方法预测电池容量更能让人满意。对训练好的网络输入测试样本，同时给出原始实验数据对比。结果如图（4）所示。图4中自左向右依次是3、2.4、2C放电倍率下的预测结果，从图中看预测结果令人满意，模型预测结果
图1三层BP神经网络模型图2纯BP网络误差曲线图研究与设计
2011.12Vol.35No.121588与实验结果吻合的很好。4结束语
本文采用基于遗传算法和BP神经网络的电池容量预测
方法，克服了纯BP网络的局部极小以及收敛慢的缺点。由实验结果可以看出，GA-BP网络与单纯的BP网络相比，不但大大缩短了训练时间，还提高了训练的精度。由此可见，基于GA-BP神经网络的电池SOC的预测是可行的，避免了建立电
池模型的复杂过程，为电池管理提供了一种准确高效的预测方法。参考文献：
[1]苑习民,李鸿雁.神经网络和遗传算法在水科学领域的应用[M].北京：中国水利水电出版社,2002.[2]邓超,史鹏飞.基于神经网络的MH-Ni电池剩余容量预测[J].哈尔
滨工业大学学报,2003,35(11):1405-1408.[3]阮若林.利用遗传算法优化人工神经网络权值[J].咸宁学院学报,2005,(12):49-51.[4]陈秋莲,王成栋.基于MATLAB遗传算法工具箱的优化计算实现
[J].现代电子技术,2007,(2):124-126.