为潜水膜生物反应器优化神经网络算法:对OVAT和RSM超参数优化技术的比较研究
Syahira Ibrahim1, Norhaliza Abdul Wahab2
1Faculty of Electrical Engineering, Universiti Teknologi Malaysia, Johor Bahru 81310, Malaysia.
概括
这项研究利用实验设计优化了人工神经网络的超参数,提高了模型的准确性,减少了预测棕油厂废水透流量的处理时间.
科学领域:
- 计算智能是一种计算智能.
- 化学工程是化学工程的重要组成部分.
- 机器学习 机器学习
背景情况:
- 超参数调整对于最大限度地提高神经网络性能至关重要.
- 优化Feed-forward神经网络 (FFNN) 和辐射基函数神经网络 (RBFNN) 的超参数对于准确的预测至关重要.
- 预测棕油厂废水处理中的透流需要强大的模型.
研究的目的:
- 为优化神经网络超参数提出和评估实验和响应表面方法的因数设计.
- 为了比较拟议的优化方法与传统的一个变量一次的方法.
- 为了提高FFNN和RBFNN模型对透流的预测准确性和效率.
主要方法:
- 实验和响应表面方法的应用因数设计,用于超参数选和优化.
- 使用了Feed-forward神经网络 (FFNN) 和辐射基函数神经网络 (RBFNN) 模型.
- 输入变量包括透和跨膜压力;超参数优化为FFNN和RBFNN.
主要成果:
- 拟议的方法实现了最佳的超参数,从而提高了模型准确性和减少了概括错误.
- 模拟结果显示,与传统方法相比,训练性能有超过65%的改善,处理时间缩短,代次数减少.
- 优化模型在预测透流量方面显示出显著的改进.
结论:
- 实验和响应表面方法的因数设计为神经网络中的超参数优化提供了有效的方法.
- 这种方法为传统调音方法提供了更有效,更准确的替代方案.
- 提出的方法是多功能性的,可以应用于各种神经网络应用程序进行参数优化.
