基于GA-BP神经网络的髙校实验室安全评价研究

张 博（长沙师范学院电子与信息工程系，长沙　410100）



基于GA-BP神经网络的髙校实验室安全评价研究

张 博
（长沙师范学院电子与信息工程系，长沙410100）

摘 要：高校实验室安全评价是实验室安全管理中的薄弱环节。针对目前高校实验室安全评价缺乏较全面、合理、高效评价方法的问题，以如何能科学、客观、准确地评价高校实验室安全水平为目的，在探索BP神经网络和遗传算法理论的基础上，将二者结合，应用于高校实验室安全评价中，对基于GA-BP神经网络的高校实验室安全评价展开了研究。GA-BP网络评价模型能够在更短的时间内，达到更高的精度，收敛速度、精确性和稳定性明显优于BP网络评价模型，验证了遗传算法优化BP神经网络的合理性和高效性。

关键词：BP神经网络；遗传算法；高校实验室安全；评价模型；安全管理；效果与评价

1 引 言

高校实验室安全日益成为高校实验室科学管理和健康发展的重要内容。高校实验室对外开放程度不断提高，实验人员增多，流动性增大，对实验室安全工作提出了新的挑战。近年来，高校实验室事故频发，各种安全隐患不断增加。

针对高校实验室安全管理［1］无章可循，安全检查流于形式，安全整改头痛医头脚痛医脚，安全问责人人推的现状，安全评价的目的就是检验实验室所处环境、运行状态是否规范有序，同时为实验室安全水平的判定提供较全面、合理的参照标准。

传统的实验室安全评价［2］几乎都是人为的主观评定。影响高校实验室安全的因素多且复杂，并具有不确定性，若采用类似校园安全评价［3］的几种方法，会受到随机性，以及评价人员主观不确定性和认识模糊性的影响，存在非线性能力差和精度难以保证等缺陷，难以得到令人满意的结果。

❋

目前，高校实验室安全管理缺乏较全面、合理的评价标准［4］。因此，如何通过建立科学公正的指标体系，客观公正的评价高校实验室安全水平，是高校实验室管理工作者需深入思考的一个问题。

BP神经网络［5］是近几年来快速发展起来的人工智能技术之一，具有较好的自适应学习能力，能以任意精度逼近非线性函数，在解决非线性问题上得到了广泛应用。但是BP神经网络的搜索空间有限，对于较大搜索空间，该算法会陷入局部极小值点，从而影响预测的精度和速度。

遗传算法（Genetic Algorithm，GA）［6］是基于自然界生物进化原理的一种自适应优化方法，其通过适应度函数的计算，对种群进行选择、交叉和变异，确定搜索方向。该算法在种群规模较大时也适用，可以在全局空间的多个区域内寻找最优解，克服了BP神经网络局部搜索的缺点。笔者将BP神经网络算法与遗传算法结合起来，形成GA-BP混合网络［7］。BP神经网络初始化时，在全局空间优化网络权值和阈值，搜索出最优解，利用最优BP神经网络对髙校实验室安全水平［8］建立全面、合理的评价标准。

2 BP神经网络基本原理

BP神经网络是由Werbos提出来的，之后由Bumelhart等人对BP神经网络算法进行了改进，实现了多层前馈网络模型假设。图1为3层BP神经网络拓扑结构图，包含输入、隐含和输出3层，其特点是信号前向传播，误差反向传播。信号经过输入层进入隐含层，在相应神经元函数、网络权值和阈值的作用下，将处理过的信号经输出层输出。如果输出结果与期望输出存在较大的误差，则误差反向传播，调整权值和阈值。如此反复迭代，直至输出结果逼近期望值，使误差控制在允许范围内。

图1 BP神经网络三层拓扑结构

图1中X1，X2，...，Xn表示输入信号值，Y1，...，Ym表示信号输出值，ω表示网络权值。每一层的神经元只作用下一层的神经元状态，神经元状态f通常选用Sigmoid函数，如：

采用三层BP网络结构来构建实验室安全评价模型。输入层为高校实验室安全评价指标数据，输出层为评价结果，中间为隐含层。根据用户输入的评价指标，接收样本数据，对其进行归一化处理后，数据自动输入实验室安全评价的BP神经网络中。BP神经网络对输入数据自动学习、检测，根据输出结果对网络权值进行自动调整。通过不断重复学习和调整实现对期望输出值的正确拟合训练，最终达到对高校实验室安全进行评价的目的。

3 遗传算法优化BP神经网络原理

3.1遗传算法原理

遗传算法是根据自然界的进化论“优胜劣汰，适者生存”的原理形成的。通过对种群进行选择、交叉和变异，达到对种群的优化。适应度好的个体，被选中的概率大，反之适应度差的个体被选中的概率则会小。交叉产生的新一代个体不仅继承了上一代的信息，而且适应度还优于上一代。这样经过几代循环，最终产生出符合条件的个体，即逼近最优解。遗传算法主要包含选择、交叉和变异3个基本步骤。

（1）选择：选择操作是从种群中按照一定的概率选择个体，作为父本，用于繁殖后代。选择的概率由适应度决定，适应度越好，个体被选中的概率就越大，从而优秀的个体得以保留，繁衍出更多的优秀个体，最终逼近期望值。

（2）交叉：交叉过程是选择两个个体，对个体的染色体上一点或多点位置进行交叉互换，从而产生新的个体。交叉过程体现了自然界的信息交互思想。

（3）变异：按照一定概率选择个体，对个体中的一段染色体进行变异，以增强个体的适应度。

3.2遗传算法优化BP神经网络［9］步骤

遗传算法的特点是全局式搜索，而BP神经网络则是在局部进行搜索最优解，因此可以先利用遗传算法确定出BP神经网络初始权值和阈值的最优解范围，然后利用BP神经网络算法再进行局部最优解搜索。

3.2.1 编码与初始种群的生成

高校实验室安全评价模型采用三层BP网络结构，设输入层、隐含层与输出层节点的个数分别为N，S和M，则编码长度为：R = N×S + S×M + S + M（2）随机产生X个长度为R的染色体，即形成初始种群。

3.2.2 适应度函数确定

将初始化种群中的R个连接权值赋予BP网络，进行输入信号的前向传播，计算网络的输出值与期望值之间的误差平方和E（i），设定适应度函数为：

将遗传算法与BP网络的评估标准结合起来，误差平方和越小，适应度越高，即网络性能越好。

3.2.3 遗传操作

（1）选择

采用基于适应度的排序分配方法进行选择，即先计算种群中各个体的适应度，然后对种群中所有个体按其适应度大小进行排序，每个个体被选中的概率由排序结果分配，分配原则为大适应值对应高选择概率，小适应值对应低选择概率。

（2）交叉

遗传算法中最重要的操作是交叉算子，新的个体由种群通过交叉产生，不断扩大搜索空间，最终达到全局搜索的目的。交叉是将被选中的两个个体的基因链按一定的概率进行交叉，生成两个新个体。

由于采用浮点数编码，所以交叉算子采用的是浮点数型的算术交叉法。假定种群中x1和x2为父代个体，则由父代双亲产生的后代x′1和x′2为：

其中a∈（0，1）。

交叉概率的值一般取0.4到0.99之间，本文取交叉概率为0.8。

（3）变异

为了维持种群的多样性，使用变异算子产生新个体。变异对于选中的个体以一定的概率随机地改变串结构数据中某个串的值。

笔者采用非均匀变异，对原基因值做随机扰动，变异后的新基因值采用该扰动结果。以等概率对所有基因座进行一次少量调整。变异概率的值取0.001到0.1之间。

（4）新种群的产生

用交叉和变异算子对原来的个体进行遗传操作后，产生新的个体，将新个体插入原种群中，生成新种群。计算新个体的适应度值，判断是否达到循环次数或优化标准，若是，则进入下一步，否则继续循环进行遗传操作。

（5）BP神经网络初始权值的产生

遗传算法达到最大遗传代数或所设定的指标后，优化后的网络连接权值就是最终群体中的最优个体解码值。

4 GA优化BP神经网络的高校实验室安全评价模型建立

基于GA优化BP神经网络的高校实验室安全评价模型接收用户输入的评价样本数据，对样本输入数据进行归一化处理后，先构建BP神经网络并初始化权值和阈值，然后调用遗传算法，通过选择、交叉和变异的遗传操作对BP神经网络的初始权值和阈值进行优化，将遗传算法优化［10］后获取的最优解解码，作为BP神经网络的最优权值和阈值。

经遗传算法优化后的BP神经网络称为GA-BP神经网络。该网络对输入数据不断重复学习，自动调整网络的连接权值和阈值，实现对期望输出值的正确拟合训练，以达到要求精度。GA-BP神经网络训练结束后，将待评价的测试数据输入训练好的GA-BP神经网络进行仿真测试，经过输出值转换处理后，得到最终的评价结果。GA优化BP神经网络的高校实验室安全评价模型如图2所示。

图2 GA优化BP神经网络的高校实验室安全评价模型构建

5 实验结果及评价

5 1实验评价指标

本实验采用收敛性、精确性、稳定性三个指标作为评价标准。

（1）收敛性根据网络训练过程中的步数Eprochs来判断收敛速度。不同网络达到相同训练目标时步数少的收敛速度快，反之，步数多的收敛速度慢。

（2）精确性按照不同网络的测试仿真输出值与期望输出值的相对误差，对训练后的网络进行测试得到输出结果的精准度。其中，相对误差=（测试仿真输出值-期望输出）/期望输出×100%。

（3）稳定性根据网络测试仿真输出值与期望输出值的误差，计算出不同网络测试输出的均方误差（MSE），即可进一步从宏观上判断整个网络的稳定性。

5.2实验结果比对分析

（1）收敛性

如图3所示，BP神经网络的收敛步数为29，而GA-BP网络的收敛步数为12。BP网络当训练次数为29次时，才达到网络训练误差目标0.001，而GA-BP网络只需训练12次就可以达到和BP评价模型一样的训练目标。

（2）精确性

通过对BP网络模型和GA-BP网络模型分别进行测试，得到了测试仿真输出值如表1所示。表中的相对误差=（测试仿真输出值-期望输出）/期望输出×100%。

图3 GA-BP网络与BP网络训练误差曲线对比图

表1 测试样本数据的BP网络和GA-BP网络仿真结果

可见，遗传算法与BP神经网络的结合不仅可以加快网络收敛速度，也提高了网络识别精度。

（3）稳定性

由图4可见，相比之下，2系的GA-BP网络测试输出产生的均方误差显然比1系的BP网络测试输出产生的均方误差更小一些，并且维持在一个较小的区间内，基本上保持在0.25以内，由此说明GA-BP模型的训练结果要更稳定一些，而BP网络的训练效果不是太稳定，个别点测试输出的相对误差甚至达到近1.5，可能陷入局部极小值。

图4 GA-BP网络与BP网络测试输出与期望输出的误差对比图

6 结束语

采用BP神经网络对高校实验室安全进行评价的方法，通过构建BP神经网络评价模型，发现其不足。提出引入遗传算法（GA）对BP神经网络的权值和阈值进行优化，构建改进的GA-BP神经网络评价模型，并将其应用于高校实验室的安全评价中。通过对比实验，证明基于GA-BP神经网络的高校实验室安全评价模型的可行性和有效性，在一定程度上改善了传统评价的片面性、主观性和模糊性，能较科学、客观、准确地评价实验室的安全水平。

参考文献：

［1］王杰，刘晓鸿.髙校实验室安全管理工作探讨与对策研究［J］.实验技术与管理，2010，27（3）：247-252.WANG Jie，LIU Xiaohong.Discussion on Laboratory Safety Management and Study of its Countermeasures［J］.Experimental Technology and Management，2010，27（3）：247-252.

［2］李恩敬.高等学校实验室安全管理现状调查与分析［J］.实验技术与管理，2011，28（2）：198-200.LI Enjing.Investigation and Analysis on Current Situation of Laboratory Safety Management in Colleges and Universities［J］.Experimental Technology and Management，2011，28（2）：198-200.

［3］余志红，任国友.基于AHP的校园安全评价指标研究［J］.中国安全生产科学技术，2009，5（5）：50-54.YU Zhihong，REN Guoyou.Study on Evaluation Index of Campus Security Based on Analytical Hierarchy Process ［J］.Journal of Safety Science and Technology，2009，5 （5）：50-54.

［4］陈立君，顾风岐.髙等学校实验室安全管理体系的研究与探索［J］.实验室研究与探索，2010，29（7）：339-341.CHEN Lijun，GU Fengqi.Study and Exploration on Safety Management Systemof University Laboratory［J］.Research and Exploration in Laboratory，2010，29（7）：339-341.

［5］陆琳睿，吴伊萍，陈祺.基于BP神经网络的高校实验室安全评价模型及应用［J］.实验室研究与探索，2013，32（2）：214-218.LU Linrui，WU Yiping，CHEN Qi.The Evaluation Model and its Application to University Laboratory Safety Based on BP Neural Network［J］.Research and Exploration in Laboratory，2013，32（2）：214-218.

［6］邓铁清，任艮全，刘英博.基于遗传算法的工作流个人工作列表资源调度［J］.软件学报，2012，23（7）：1702-1716.DENG Tieqing，REN Genquan，LIU Yingbo.Genetic Algorithm Based Approach to Personal Worklist Resource Scheduling［J］.Journal of Software，2012，23（7）：1702-1716.

［7］刘春艳，凌建春，寇林元，等.GA-BP神经网络与BP神经网络性能比较［J］.中国卫生统计，2013，30（2）：173-181.Liu Chunyan，Ling Jianchun，Kou Linyuan，et al.Performance Comparison between GA-BP Neural Network and BP Neural Network［J］.Chinese Journal of Health Statistics，2013，30（2）：173-181.

［8］韦萌.BP神经网络在高校教学实验室综合评价中的应用［J］.柳州职业技术学院学报，2010，10（1）：102-104.WEI Meng.Application of the BP Neural Network in the Comprehensive Evaluation of College Laboratories［J］.Journal of Liuzhou Vocational & Technical College，2010，10（1）：102-104.

［9］田旭光，宋形，刘宇新.结合遗传算法优化BP神经网络的结构和参数［J］.计算机应用与软件，2004，21 （6）：69-71.TIAN Xuguang，SONG Tong，LIU Yuxin.Optimizing the Structure and Parameters of BP Neural Network Based on Genetic Algorithm［J］.ComputerApplications and Software，2004，21（6）：69-71.

［10］柴毅，尹宏鹏，李大杰，等.基于改进遗传算法的BP神经网络自适应优化设计［J］.重庆大学学报（自然科学版），2007，30（4）：91-92.CHAI Yi，YIN Hongpeng，LI Dajie，et al.Self-adaptation Optimize BP Neural Network Design Based on the Genetic Algorithms［J］.Journal of Chongqing University （Natural Science Edition），2007，30（4）：

Research on Evaluation of University Laboratory Safety Based on GA-BP Neural Network

Zhang Bo
（Department of Electronic and Information Engineering，Changsha Normal University，Changsha 410100，China）

Abstract：Evaluation of university laboratory safety is the weakness in the management of laboratory safety.Aiming at the problems of evaluation method，lack of more comprehensive，reasonable and efficient methods，in order to scientifically，objectively and accurately evaluate university laboratory safety level，and the theoretical exploration on BP neural network and the genetic algorithm are combined to perform evaluation for university laboratory safety.The evaluation，based on GA-BP neural network，is researched in the paper.The results show that the model of GA-BP network achieves higher precision in a shorter time and its convergence rate，accuracy and stability are better than that of BP network model，and the genetic algorithm optimizing BP neural network is reasonable and efficient.

Key words：BP Neural Network；Genetic Algorithm；University Laboratory Safety；Evaluation Model Safety Management；Effect and Evaluation

DOI：10.3969/j.issn.1002-2279.2016.02.014

中图分类号：TP183；G647

文献标识码：A

文章编号：1002-2279（2016）02-0051-05

基金项目：❋湖南省自然科学基金项目（2015JJ6007）；湖南省高等教育学会实验室管理专业委员会2014年资助研究课题

作者简介：张博（1980-），男，湖南省长沙市人，讲师，硕士研究生，主研方向：模式识别、人工智能、图像处理。

收稿日期：2015-06-25