使用基于遗传算法的变量选择改进真实世界系统的神经建模

由传感器数据构建的真实世界系统（如工业过程）的神经网络模型通常必须依赖不完整的数据。系统状态可能并不全为已知，传感器数据可能存在偏差或噪声，且通常不知道哪些传感器数据可能对预测建模有用。遗传算法可用于帮助解决这一问题，通过确定最适合产生良好模型的传感器变量的近最优子集。本文描述了使用遗传搜索优化变量选择，以确定神经网络模型输入的方法。我们讨论了遗传算法的实现问题，包括数据表示类型以及交叉和变异等遗传算子。我们展示了将该技术用于典型工业应用（液态供料陶瓷熔炉）的神经网络建模，并详细介绍了遗传搜索优化该应用神经网络模型的结果。