《表2 测试集在Adam优化神经网络模型的测试结果》
针对BP神经网络的电梯群控传统算法的收敛速度慢,且易于陷入局部最小值,导致出现聚集效应、群控系统效率不高等问题的课题研究。首先在前人的基础上介绍了一种基于神经网络的多目标优化模型,在网络模型中将样本数据分别在基于传统随机梯度下降法的BP神经网络与基于Adam算法的BP神经网络下各自学习,通过仿真测试验证效果。从表1中的神经元和激活函数的组合搭配中可以看出,神经元个数和激活函数的选择会对网络的预测结果造成一定的影响,根据误差最小值选择为神经元个数为8,激活函数为Sigmoid,以此进行网络的学习训练和预测。但训练过程中出现了训练集效果很好,而测试集误差偏大的现象,因此在网络前向传播过程中加入了Dropout,一定程度上缓解了过拟合现象的发生,提高了预测的准确率。基于表2的测试结果可以得出,Adam算法优化后神经网络模型不仅收敛性更强,训练速度更快,同时更易于挣脱局部极值的束缚,提高了网络输出的准确率。在以多目标优化的基于神经网络的电梯群控系统的基础上改善了电梯运载效率,达到了优化目的,提升了整体电梯群控系统的性能。
图表编号 | XD00192306100 严禁用于非法目的 |
---|---|
绘制时间 | 2020.11.01 |
作者 | 雷剑 |
绘制单位 | 南华大学电气工程学院 |
更多格式 | 高清、无水印(增值服务) |