(19)国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202211306827.6 (22)申请日 2022.10.25 (71)申请人 哈尔滨工业大 学 （威海） 地址 264299 山东省威海市文化西路2号 (72)发明人 闫婷婷　陈德珅　牛年茂　钱宏亮　 王化杰　 (74)专利代理 机构 北京国序知识产权代理有限 公司 11895 专利代理师 高芳　王泽 (51)Int.Cl. G06F 30/27(2020.01) G06K 9/62(2022.01) G06N 3/04(2006.01) G06N 3/08(2006.01) G06F 111/08(2020.01) (54)发明名称 一种基于BP神经网络的钓竿调性预测模型 及其优化方法 (57)摘要 本发明提供一种基于BP神经网络的钓竿调 性预测模型及其优化方法， 包括： 获取钓竿设计 参数变量和钓竿调性数据， 建立数据集； 使用 Min‑Max‑Scaler函数进行归 一化处理； 按比例拆 分数据集获得训练数据集和测试数据集； 构建BP 神经网络模型训练获得钓竿调性预测模型； 将BP 神经网络钓竿调性预测模型的输出数据进行反 归一化处理； 将测试数据集输入钓竿调性预测模 型获取测试预测精度， 使用MSE比较预设预测精 度和测试预测精度的差距； 使用CMA ‑ES算法优化 BP神经网络参数得出预测模型神经网络结构的 最优解。 本发明基于BP算法构建神经网络模型， 对BP神经网络参数进行优化获得钓竿调性预测 模型， 提高钓竿设计效率。 权利要求书2页 说明书6页 附图4页 CN 115438589 A 2022.12.06 CN 115438589 A 1.一种基于BP神经网络的钓竿调性预测模型及其优化方法， 其特征在于， 包括以下步 骤： S1、 获取钓竿设计参数变量和钓竿调性数据， 建立以钓竿设计参数变量和钓竿调性数 据为样本数据的数据集； 所述钓竿设计参数变量包括： 碳布型号、 尺寸、 厚度、 碳布铺层数量和模具参数； 所述钓 竿调性数据包括： 以钓竿粗端为原点， 钓竿所选截面在平面 坐标系下 所表现出的位移； S2、 对所述数据集进行数据预处理， 使用  Min‑Max‑Scaler 函数对样本数据进行归一 化处理； S3、 按照比例将数据集进行随机拆分， 获得训练数据集和 测试数据集； 按照比例从整个数据集中随机挑选出测试 数据集， 剩下的部分作为训练数据集； S4、 采用BP算法构建神经网络模型， 使用所述训练数据集作为输入数据训练BP神经网 络， 获得钓竿调性预测模型； 将BP神经网络钓竿调性预测模型的输出 数据进行反归一 化处理； S5、 预先设置所述钓竿调性预测模型的预设预测精度， 将所述测试数据集输入钓竿调 性预测模型进 行预测， 获取到测试预测精度， 使用均方误差函数MS E计算比较所述预设预测 精度和所述测试 预测精度之间的差距； S6、 使用CMA ‑ES协方差矩阵自适应进化策略算法优化所述BP神经网络的参数， 计算得 出钓竿调性预测模型的神经网络结构的最优解。 2.根据权利要求1所述的基于BP神经网络的钓竿调性预测模型及其优化方法， 其特征 在于， 所述S3步骤所述的将数据集进行随机拆分的比例包括： 所述训练数据集和所述测试 数据集的比例为 4： 1。 3.根据权利要求1所述的基于BP神经网络的钓竿调性预测模型及其优化方法， 其特征 在于， 所述S4 步骤的采用BP算法构建神经网络模型和训练BP神经网络的方法包括： S41、 定义BP神经网络的结构， 通过 前向传播 算法计算得到预测值； S42、 定义损失函数为二次代价函数的均方误差函数， 计算BP神经网络的预测值和真实 值两者之间的差距； S43、 选择反向传播优化 算法， 计算损失函数对BP神经网络每一个网格参数的梯度； S44、 根据梯度和学习率， 使用梯度下降算法更新每一个网格参数； S45、 反复运行反向传播优化 算法， 训练所述BP神经网络 。 4.根据权利要求3所述的基于BP神经网络的钓竿调性预测模型及其优化方法， 其特征 在于， 所述S41步骤的BP神经网络的结构定义为3层BP网络， 包括： 输入层、 1个隐含层、 输出 层。 5.根据权利要求1所述的基于BP神经网络的钓竿调性预测模型及其优化方法， 其特征 在于， 所述S6步骤的使用C MA‑ES算法优化所述BP神经网络的参数的方法包括以下步骤： S61、 确定 BP 神经网络的需优化的参数； S62、 确定最大迭代次数t1max； S63、 确定 CMA‑ES 算法的初始参数； S64、 以 BP 神经网络的需优化的参数为优化参数， 采用BP神经网络的均方误差函数 MSE作为目标函数， 若MSE越小， 则代 表该参数个 体适应度越高；权　利　要　求　书 1/2 页 2 CN 115438589 A 2S65、 进行CMA ‑ES优化计算： 产生新的种群； 更新种群期望、 协方差矩阵与步长； 计算新 种群的目标函数值， 选出最优参数个 体； S66、 重复执 行S65步骤， 直到 达到最大迭代次数， 得 出BP神经网络结构的最优解。 6.根据权利要求5所述的基于BP神经网络的钓竿调性预测模型及其优化方法， 其特征 在于， 所述S61步骤的所述BP  神经网络的需优化的参数包括： 激活函数类型、 神经元数量、 学习次数和alpha值。 7.根据权利要求1所述的基于BP神经网络的钓竿调性预测模型及其优化方法， 其特征 在于， 所述S1步骤的所述样 本数据为表格数据， 即结构化数据， 后续对 数据进行训练时划分 输入数据与预计输出 数据， 区分不同的参数。 8.一种计算机可读存储介质， 其上存储有计算机程序， 其特征在于， 所述程序被处理器 执行时实现权利要求 1‑7任一项所述的基于BP神经网络的钓竿调性预测模型及其优化方法 的步骤。 9.一种计算机设备， 所述计算机设备包括存储器、 处理器及存储在存储器上并可在处 理器上运行的计算机程序， 其特征在于， 所述处理器执行所述程序时实现如权利要求 1‑7任 一项所述的基于BP神经网络的钓竿调性预测模型及其优化方法的步骤。权　利　要　求　书 2/2 页 3 CN 115438589 A 3