使用前馈神经网络对紧凑型枣籽研磨装置的最佳操作条件进行性能评估和预测

快速阅读: 据《Nature.com》最新报道，本文介绍了用于寻找最佳操作条件的两阶段前馈神经网络（FFN）模型。该模型使用216个样本，分为两个阶段，每阶段108个，采用四重交叉验证。第一阶段确定输入参数的最佳条件，第二阶段在此基础上加入更多参数进行训练。FFN因其直接输入-输出映射、良好的回归性能和简单的架构而被选中，最终R²值达到0.99974。

图6展示了提议的前馈神经网络（FFN）结构。该模型记录的数据库总数为216个，分为两个阶段，每个阶段使用108个样本，并采用了四重交叉验证技术。在每个阶段，75%的样本用于训练，25%的样本用于测试。

第一阶段主要用于寻找破碎单元的最佳操作条件。系统有三个主要输入参数：圆筒速度、圆筒之间的间隙和进料区域。系统输出包括产量、比能耗和平均粒径。使用的激活函数是勒文伯格-马夸特算法，隐藏层中的神经元数量为10个。

第二阶段中，FFN使用第一阶段获得的最佳操作条件进行训练。这些条件加上锤鼓速度和筛孔尺寸作为新的输入参数。系统输出为最终产量、比能耗和平均粒径。激活函数仍为勒文伯格-马夸特算法，隐藏层中的神经元数量增加到20个。

选择FFN架构的原因有几个。首先，输入参数如圆筒速度、间隙、进料区域、锤子速度和筛网尺寸都是独立变量，没有空间或时间关系，因此FFN的直接输入-输出映射更为合适。其次，FFN在具有连续数值输入和输出的回归问题中表现优异，符合预测最优操作条件的需求。此外，FFN的简单架构所需参数较少，减少了因数据集较小导致过拟合的风险，同时保持高预测准确性。R²值达到0.99974。

前馈结构还提供了更快的训练和更稳定的参数优化问题收敛，相比递归网络架构更具优势。

(以上内容均由Ai生成)