Page 22 - 2023年第54卷第10期

经元数）的矩阵，其初始值服从平均值为 ０、方差为 １的正态分布。隐藏层 ２（Ｈ ）的神经元数为 １０，
２
隐藏层 ２的权重是一个（行数 ＝ 隐藏层 １神经元数） × （列数 ＝ 隐藏层 ２神经元数）的矩阵，其初始值服
从平均值为 ０、方差为 １的正态分布。输出层的权重是一个（行数 ＝ 隐藏层 ２神经元数） × （列数 ＝ 输出
层神经元数）的矩阵，其初始值服从平均值为 ０、方差为 １的正态分布。隐藏层 １的偏差项是一个（行
数 ＝ 训练样本数） × （列数 ＝ 隐藏层 １神经元数）的矩阵，其初始值服从（０，１）的均匀分布。隐藏层 ２的
偏差项是一个（行数 ＝ 训练样本数） × （列数 ＝ 隐藏层
２神经元数）的矩阵，其初始值服从（０，１）的均匀分 表 ２ ＩＧＯＡ算法寻优得到的模型参数
布。输出层 的 偏 差 项 是 一 个 （行 数 ＝ 训 练 样 本 数） ×
参数 ＩＧＯＡ算法寻优数值
（列数 ＝ 输出层神经元数）的矩阵，其初始值服从（０，１） 隐藏层节点数 ２５
的均匀分布。针 对 迭 代 次 数、隐 藏 层 神 经 元 数、初 样本权重 １
始随机权重等超参数，本研究采用 ＩＧＯＡ对 ＭＬＰ模 权重衰减 ０
型参数进行寻优。ＩＧＯＡ算法种群规模设置为 ２０，最
初始随机权重 ［ － ０．１６，０．１６］
大迭代次数设置为 ３０。ＩＧＯＡ算法得到的 ＭＬＰ模型
迭代次数 ２９０
参数如表 ２所示。
激活函数 Ｓｉｇｍｏｉｄ
基于以上模型参数，采用 ＭＭＤ＿ｌｏｓｓ函数在隐藏
学习率 ０．１
层 ２后再增加一层自适应层，构建迁移学习框架下的
领域自适应 ＩＧＯＡ － ＭＬＰ神经网络。自适应层神经元
数为 １０，与隐藏层 ２神经元数相等。在自适应层中，
源域数据 Ｄ 和目标域数据 Ｄ 流经隐层 ２后的输出值
ｓ ｔ
均为一个向量（维度 ＝ 训练样本数），ＭＭＤ＿ｌｏｓｓ在总
损失函数中的权重常数 γ设置为 ０．３。通过引入包含
了均方 误 差 损 失 函 数 ＭＳＥ＿ｌｏｓｓ的 总 损 失 函 数 Ｌｏｓｓ，
建立最终预测模型。
５．２．２ 碾压效率预测结果分析 采用 ５．１节处理好的
数据库对迁移学习框架下的 ＩＧＯＡ － ＭＬＰ模型进行训
图 ７ 迁移学习框架下 ＩＧＯＡ － ＭＬＰ模型预测结果
练和验证，得到碾压效率预测结果，如图 ７所示。图
中粉色线条代表预测值，蓝 色线条 为真 实 值，可以 表 ３ ＴＬ － ＩＧＯＡ － ＭＬＰ模型结果评价指标
看出，迁移学习框架下的 ＩＧＯＡ － ＭＬＰ模型得到的碾 评价指标 计算结果
压效率预测值与真实值的拟合效果 较好，线 条走向 ＭＡＥ ２９．９９
接近，整体波 动 趋 势 一 致，说 明 本 文 所 提 出 的 ＴＬ － ＭＳＥ（ × １００） ５０．４８
ＩＧＯＡ － ＭＬＰ模型通过建立源域和目标域之间的相关关 ＲＭＳＥ ７１．０５
系，进行知识迁移，解决 了新 工况下 缺少 数 据的 问 ＭＡＰＥ ０．０９
题，具有较好的预测性能。为进一步评价预测效果，
根据 ４．３节给出的公式计算得到模型评价指标，结果
如表 ３所 示，可 以 看 出 ＭＡＥ、ＭＡＰＥ、 ＲＭＳＥ、 ＭＳＥ
各项指标的计算结果均令人满意，表明模型 预测效
果较好。
５．３ 对比分析与讨论
５．３．１ ＭＬＰ模型与其他机器模型对比分析 将 ＭＬＰ
模型与当下较为流行的支持向量回归（ＳＶＲ）、ＢＰ神
经网 络 （ ＢＰＮＮ）、 随 机 森 林 （ＲＦ）、 极 限 学 习 机
（ ＥＬＭ）等机器学习模型进行比较分析。评价指标对
比结果如图 ８所示，评价指标的均值如表 ４所示。可
图 ８ 不同基础模型预测性能评价指标对比分析
以看出，ＭＬＰ模型的 ＭＡＥ、ＭＳＥ、ＲＭＳＥ、ＭＡＰＥ五

— １ １ ８ —
５