4.3.5　实例分析

这部分主要确认上述模型TNNM、GA+TNNM和PSO+TNNM中的参数。经过对工程aa200c数据的整理,共统计出4 922组数据。经过数据清洗和去重复处理后,得到1 514组有效数据。利用这些数据对3组模型的参数进行确认,并计算模型的准确率。

本实验共分为以下两个部分。

①对本书提出的神经网络预测测试用例生成时间模型TNNM中的参数进行确认,并计算模型的准确率。

②对遗传算法优化TNNM的GA+TNNM中种群规模、进化代数、交叉与变异概率等相关参数进行确认;对粒子群算法优化TNNM的PSO+TNNM中进化代数、种群规模及学习因子取值进行确认。

1.实验配置

①系统:Windows 7专业版。

②具体型号:Lenovo Win7 PC。

③CPU:Intel(R)Pentium(R)G2030@3.00GHz。

④内存:4.00 GB。

⑤系统类型:32位操作系统。

2.实验结果和分析

(1)TNNM模型参数的确认

对1 514组有效数据进行划分,如表4-16所示。采用两种划分方式进行建模,并采用主成分分析法进行降维,选取合适的参数。由数据集可知神经网络输入层数为1,输入层神经元个数为14,输出层数为1且输出层神经元个数为1。隐含层神经元个数通过实验确认。

表4-16　不同方式的数据划分方式

在确认参数的过程中,每个隐含层神经元对应做10组实验,求得对应的误差平均值如表4-17所示,这里的误差采用式(4-18)所示的计算方法,即实际值和预测值之间差的绝对值的累积和。

表4-17　隐含层神经元个数对应误差平均值(https://www.daowen.com)

通过实验分析误差情况,得出两种数据划分方式所训练模型对应的隐含层神经元个数等相关参数,并计算准确率,如表4-18所示。利用训练完成的模型进行计算,得出100组训练集数据结果如图4-33所示,100组检测集数据结果如图4-34所示。准确率计算采用式(4-19)。

表4-18　两种数据划分方式神经网络参数表

图4-33　TNNM 100组训练集数据模拟计算结果

图4-34　TNNM 100组预测集数据模拟计算结果

(2)GA+TNNM及PSO+TNNM模型参数的确认

按照上述编号2的方式进行数据划分和计算(未降维),通过实验分别选取隐含层的神经元个数,可以得到TNNM、GA+TNNM、PSO+TNNM不同隐含层神经元个数对应误差值(如表4-19所示),根据表4-19和实验确定3种模型的神经网络参数表(如表4-20所示)。

表4-19　TNNM、GA+TNNM、PSO+TNNM不同隐含层神经元个数对应误差值

表4-20　TNNM、GA+TNNM、PSO+TNNM神经网络参数表

通过实验可以得知,随着有效数据量的增大,计算的误差不断减小。可以通过增加有效数据的方式完善模型。另外,采用主成分分析法进行降维,可以减少无效指标,从而提高模型的精度。

利用遗传算法和粒子群优化算法优化神经网络可以降低计算的误差,提高模型的准确度。在实验过程中,统计得出遗传算法训练的时间较长,粒子群优化算法次之。最终可以确定性能最好的模型及其对应的参数。