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

中图分类号：TP18文献标识码：A

Abstract：Owing to exist larger uncertainty in the process of product manufacturing，this paper proposed an improved prediction model of product quality joined particle swarm optimization using mathematical modeling thought，such as BP neural network，which is combined with existing product percent of pass，the qualified rate of change law and other relevant data.Compared with traditional BP neural network，new prediction model further improves the prediction accuracy through the combination with particle swarm optimization algorithm.

Key words：BP neural network；improvement；particle swarm optimization；prediction of product quality

1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基于粒子群算法的BP神经网络改进

首先构建BP神经网络结构，利用Matlab2011a平台，构建BP神经网络模型。其次，在构建模型的时候需可对权值进行修正，因传统的BP神经网络收敛速度较慢，这也是这种方法的主要问题之一，提高权值修正量可有效加快收敛速度。因此在BP神经网络改进算法中需要对BP神经网络中的权值进行优化，粒子群中的每一个例子均对应BP神经网络中的权值与阀值，在优化权值的同时还需要对阀值进行更新。之后，筛选出适应度最佳的例子作为BP神经网络中的连接不同层级的权值与阙值，最终，通过优化完成后的BP网络取得最加预测结果。具体方法如下：

1粒子群初始化及相关参数的确定endprint

为粒子加上基于真值的编码，每个编码为一个实数串，实数串即是BP神经网络的阀值以及所有连接权值所组成。也就是是粒子群中的每个粒子都会对应BP神经网络的所有权值以及阀值。

需要进行初始化的参数主要包括粒子群的规模M，例子维度D，学习因子C、最大速度Vmax、以及最大迭代次数Tmax。其中M取值越小，可使算法运行越快，但搜索空间也会相应降低，容易因此造成局部极小值的不良情况。但增加M值，则会拖慢算法速度，经总综合确定，决定20-40的最为合理。D值主要使根据BP神经网络的各层级所含有的权值及阀值的总数来确定。Vmax表示在搜索空间中粒子單位时间内移动一次情况下的最大距离，这个参数能够一定程度影响空间搜索能力，如果速度较大，那么搜索能力也会降低，如果速度过小，那么就难以在较为大型的搜索空间里开展搜索工作，就会增加局部极小值的风险，综合上述因素，确定0.5为最佳最大速度取值[6-7]。W会影响算法的收敛能力，为防止出现局部极小值的问题，尽量取值在1.4以下。学习因子又称加速常量C1、C2通常均等于2。Tmax的取值必须考虑迭代取优计算的充分性，得出最佳值，但如果取值过大，则会增加算法运行时间，为保证运行效率，以及取得理想优化结果，决定取值为100。

除确定上述参数外，还需结合产品质量合格率的时间序列总共的输入与输出个数确定BP神经网络的整体框架，生存成粒子群Wi=（Wi1，Wi2，Wi3，…，Wii）T，（i=1，2，3...n）。这个粒子群实际上就对应BP神经网中的阀值与阙值，且其中S=RS1+S1S2+S1+S2。R为BP神经网中输入串节点数，S1为隐含层节点数，S2为输出层节点数。

2确定适应度函数

经过上一环节后，生成BP神经网中的阙值以及权值，之后利用产品生产制造的相关数据信息，训练构建完成的BP神经网络。可假设粒子群的个体Wi适应度值fiti与网络训练的输出值、训练期望输出值见的误差绝对值和是相同的，即：

fiti=∑nj=1abs（y^j-yj），i=1，2，…，M（1）

上式子中y^j表示BP神经网第i个节点经训练后得出的输出值，而yi表示第i个节点经训练后的期望输出值，n为BP网输出节点的数量，M为粒子群的规模。

3确定初始极值

根据上述步骤对于初始粒子的适应度的数值进行计算，之后利用这一得出的适应度结果，求得粒子包括初始个体的极值以及整个粒子群群体的极值。

4确定粒子位置以及速度

粒子位置、速度以下列公式进行计算：

5个体极值与粒子群极值的更新

通过以上步骤4得到改进计算后的粒子速度与位置，在得出这两个数据信息后，即可求出改进后粒子的适应度值，最后根据新的适应度值更新个体与粒子群的极值。

6BP神经网络赋值预测

通过迭代求优解的方式得出可赋予BP神经网的阀值以及权值，并通过经改进优化后的BP神经网，对产品的质量进行预测，具体思路如下图所示。

4实验及分析

41实验方法

利用Matlab2011a平台构建常规BP神经网络模型，实验硬件为CPU：英特尔 酷睿 i7-6700HQ、内存容量：8g的机器上，编程实现了以基于粒子群算法的BP神经网络改进模型，分别对某公司卫浴产品的质量合格率进行预测，并开展比较实验。

BP神经网络构建为双隐含层，节点13个，输出层函数设置为PURELIN，隐含层函数设置为LOGSIG。训练次数为100，目标1.0e-005，学习率为0.1，遗传算法的粒子群规模设置为40，权值因子0.6，C1、C2均为2，粒子维度设置为287，最大速度设置为0.5。

共挖掘404例产品质量合格率的相关数据信息作为本次实验的样本，抽取20例为预测样本，其余均为训练样本。实验误差的评价指标共包括errorsum、perc、mse，分别为误差、总误差、总误差百分比、均方误差，分别定义为：

errorsum=∑ni=1erroriperc=1n∑ni=1erroriximse=1n∑ni=1（x^i-xi）2（4）

42实验结果

本次实验共进行10次，取平均结果，具体结果见图2、3与表1。

5结束语

综上所述，产品质量是保障制造加工型企业可持续发展的关键，随着市场经济体制的完善，社会大众对产品质量的要求标准也越来越高，如果企业产品无法满足客户需要，那么势必会影响企业的竞争能力，影响经济效益与社会效益，难以维持企业的长远发展，最终被市场所淘汰。因此为应对当前的发展形式，不断提高自身竞争力，就需要通过科学的质量管理手段，控制产品质量。传统的事后管理过于被动，主要是在出现质量问题后加以补救，但仍造成了不良效益。为应对此类问题，一些企业引入了产品质量预测这一事先质量控制手段，但事先预测的模型的设计如果不够合理，也难以起到应有的预期效果。结合产品加工生产各环节的质量影响因素，设计出具有针对性的、高准确率的产品质量预测模型对于企业的生存与发展具有显著实践意义。本文通过实验表明，基于粒子群算法的BP神经网络改进算法具有更高的预测精度，与常规BP神经网络相比，能够更加精确地预测产品质量，值得推广。

参考文献

[1]BAKHSHIDEH ZAD B，HASANVAND H，LOBRY J，et al.

Optimal Reactive Power Control of DGs for Voltage Regulation of MV Distribution Systems Using Sensitivity Analysis Method and PSO Algorithm[J] .endprint

International Journal of Electrical Power and Energy Systems .2014，16（1），115-125.

[2]HANNAH INBARANI H，AZAR A T，JOTHI G.

Supervised hybrid feature selection based on PSO and rough sets for medical diagnosis[J] .

Computer Methods and Programs in Biomedicine .2014，35（1），168-177.

[3]庄育锋，胡晓瑾，翟宇.基于BP神經网络的微量药品动态称重系统非线性补偿[J].仪器仪表学报，2014，08：1914-1920.

[4]WANG Hui，WU Zhijian，RAHNAMAYAN S.

Enhancing particle swarm optimization using generalized oppositionbased learning[J] .

Information Sciences .2011，15（20），56-64.

[5]KAUCIC M.A multistart oppositionbased particle swarm optimization algorithm with adaptive velocity for bound constrained global optimization[J] .Journal of Global Optimization .2013，21（1），128-136.

[6]SHI X B ，ZHANG Y ，ZHAO S ，et al.Discrete multiobjective optimization of particle swarm optimizer algorithm for multiagents collaborative planning[J].Journal on Communications，2016，37（6）：29-37.

[7]INBARANI H H ，AZAR A T .Supervised hybrid feature selection based on PSO and rough sets for medical diagnosis[J].Computer Methods and Programs in Biomedicine，2014，113 （1）：175-185.endprint