基于GA-BP神經網絡的髙校實驗室安全評價研究

張 博（長沙師范學院電子與信息工程系，長沙　410100）

?

基于GA-BP神經網絡的髙校實驗室安全評價研究

張 博
（長沙師范學院電子與信息工程系，長沙410100）

摘 要：高校實驗室安全評價是實驗室安全管理中的薄弱環節。針對目前高校實驗室安全評價缺乏較全面、合理、高效評價方法的問題，以如何能科學、客觀、準確地評價高校實驗室安全水平為目的，在探索BP神經網絡和遺傳算法理論的基礎上，將二者結合，應用于高校實驗室安全評價中，對基于GA-BP神經網絡的高校實驗室安全評價展開了研究。GA-BP網絡評價模型能夠在更短的時間內，達到更高的精度，收斂速度、精確性和穩定性明顯優于BP網絡評價模型，驗證了遺傳算法優化BP神經網絡的合理性和高效性。

關鍵詞：BP神經網絡；遺傳算法；高校實驗室安全；評價模型；安全管理；效果與評價

1 引 言

高校實驗室安全日益成為高校實驗室科學管理和健康發展的重要內容。高校實驗室對外開放程度不斷提高，實驗人員增多，流動性增大，對實驗室安全工作提出了新的挑戰。近年來，高校實驗室事故頻發，各種安全隱患不斷增加。

針對高校實驗室安全管理［1］無章可循，安全檢查流于形式，安全整改頭痛醫頭腳痛醫腳，安全問責人人推的現狀，安全評價的目的就是檢驗實驗室所處環境、運行狀態是否規范有序，同時為實驗室安全水平的判定提供較全面、合理的參照標準。

傳統的實驗室安全評價［2］幾乎都是人為的主觀評定。影響高校實驗室安全的因素多且復雜，并具有不確定性，若采用類似校園安全評價［3］的幾種方法，會受到隨機性，以及評價人員主觀不確定性和認識模糊性的影響，存在非線性能力差和精度難以保證等缺陷，難以得到令人滿意的結果。

?

目前，高校實驗室安全管理缺乏較全面、合理的評價標準［4］。因此，如何通過建立科學公正的指標體系，客觀公正的評價高校實驗室安全水平，是高校實驗室管理工作者需深入思考的一個問題。

BP神經網絡［5］是近幾年來快速發展起來的人工智能技術之一，具有較好的自適應學習能力，能以任意精度逼近非線性函數，在解決非線性問題上得到了廣泛應用。但是BP神經網絡的搜索空間有限，對于較大搜索空間，該算法會陷入局部極小值點，從而影響預測的精度和速度。

遺傳算法（Genetic Algorithm，GA）［6］是基于自然界生物進化原理的一種自適應優化方法，其通過適應度函數的計算，對種群進行選擇、交叉和變異，確定搜索方向。該算法在種群規模較大時也適用，可以在全局空間的多個區域內尋找最優解，克服了BP神經網絡局部搜索的缺點。筆者將BP神經網絡算法與遺傳算法結合起來，形成GA-BP混合網絡［7］。BP神經網絡初始化時，在全局空間優化網絡權值和閾值，搜索出最優解，利用最優BP神經網絡對髙校實驗室安全水平［8］建立全面、合理的評價標準。

2 BP神經網絡基本原理

BP神經網絡是由Werbos提出來的，之后由Bumelhart等人對BP神經網絡算法進行了改進，實現了多層前饋網絡模型假設。圖1為3層BP神經網絡拓撲結構圖，包含輸入、隱含和輸出3層，其特點是信號前向傳播，誤差反向傳播。信號經過輸入層進入隱含層，在相應神經元函數、網絡權值和閾值的作用下，將處理過的信號經輸出層輸出。如果輸出結果與期望輸出存在較大的誤差，則誤差反向傳播，調整權值和閾值。如此反復迭代，直至輸出結果逼近期望值，使誤差控制在允許范圍內。

圖1 BP神經網絡三層拓撲結構

圖1中X1，X2，...，Xn表示輸入信號值，Y1，...，Ym表示信號輸出值，ω表示網絡權值。每一層的神經元只作用下一層的神經元狀態，神經元狀態f通常選用Sigmoid函數，如：

采用三層BP網絡結構來構建實驗室安全評價模型。輸入層為高校實驗室安全評價指標數據，輸出層為評價結果，中間為隱含層。根據用戶輸入的評價指標，接收樣本數據，對其進行歸一化處理后，數據自動輸入實驗室安全評價的BP神經網絡中。BP神經網絡對輸入數據自動學習、檢測，根據輸出結果對網絡權值進行自動調整。通過不斷重復學習和調整實現對期望輸出值的正確擬合訓練，最終達到對高校實驗室安全進行評價的目的。

3 遺傳算法優化BP神經網絡原理

3.1遺傳算法原理

遺傳算法是根據自然界的進化論“優勝劣汰，適者生存”的原理形成的。通過對種群進行選擇、交叉和變異，達到對種群的優化。適應度好的個體，被選中的概率大，反之適應度差的個體被選中的概率則會小。交叉產生的新一代個體不僅繼承了上一代的信息，而且適應度還優于上一代。這樣經過幾代循環，最終產生出符合條件的個體，即逼近最優解。遺傳算法主要包含選擇、交叉和變異3個基本步驟。

（1）選擇：選擇操作是從種群中按照一定的概率選擇個體，作為父本，用于繁殖后代。選擇的概率由適應度決定，適應度越好，個體被選中的概率就越大，從而優秀的個體得以保留，繁衍出更多的優秀個體，最終逼近期望值。

（2）交叉：交叉過程是選擇兩個個體，對個體的染色體上一點或多點位置進行交叉互換，從而產生新的個體。交叉過程體現了自然界的信息交互思想。

（3）變異：按照一定概率選擇個體，對個體中的一段染色體進行變異，以增強個體的適應度。

3.2遺傳算法優化BP神經網絡［9］步驟

遺傳算法的特點是全局式搜索，而BP神經網絡則是在局部進行搜索最優解，因此可以先利用遺傳算法確定出BP神經網絡初始權值和閾值的最優解范圍，然后利用BP神經網絡算法再進行局部最優解搜索。

3.2.1 編碼與初始種群的生成

高校實驗室安全評價模型采用三層BP網絡結構，設輸入層、隱含層與輸出層節點的個數分別為N，S和M，則編碼長度為：R = N×S + S×M + S + M（2）隨機產生X個長度為R的染色體，即形成初始種群。

3.2.2 適應度函數確定

將初始化種群中的R個連接權值賦予BP網絡，進行輸入信號的前向傳播，計算網絡的輸出值與期望值之間的誤差平方和E（i），設定適應度函數為：

將遺傳算法與BP網絡的評估標準結合起來，誤差平方和越小，適應度越高，即網絡性能越好。

3.2.3 遺傳操作

（1）選擇

采用基于適應度的排序分配方法進行選擇，即先計算種群中各個體的適應度，然后對種群中所有個體按其適應度大小進行排序，每個個體被選中的概率由排序結果分配，分配原則為大適應值對應高選擇概率，小適應值對應低選擇概率。

（2）交叉

遺傳算法中最重要的操作是交叉算子，新的個體由種群通過交叉產生，不斷擴大搜索空間，最終達到全局搜索的目的。交叉是將被選中的兩個個體的基因鏈按一定的概率進行交叉，生成兩個新個體。

由于采用浮點數編碼，所以交叉算子采用的是浮點數型的算術交叉法。假定種群中x1和x2為父代個體，則由父代雙親產生的后代x′1和x′2為：

其中a∈（0，1）。

交叉概率的值一般取0.4到0.99之間，本文取交叉概率為0.8。

（3）變異

為了維持種群的多樣性，使用變異算子產生新個體。變異對于選中的個體以一定的概率隨機地改變串結構數據中某個串的值。

筆者采用非均勻變異，對原基因值做隨機擾動，變異后的新基因值采用該擾動結果。以等概率對所有基因座進行一次少量調整。變異概率的值取0.001到0.1之間。

（4）新種群的產生

用交叉和變異算子對原來的個體進行遺傳操作后，產生新的個體，將新個體插入原種群中，生成新種群。計算新個體的適應度值，判斷是否達到循環次數或優化標準，若是，則進入下一步，否則繼續循環進行遺傳操作。

（5）BP神經網絡初始權值的產生

遺傳算法達到最大遺傳代數或所設定的指標后，優化后的網絡連接權值就是最終群體中的最優個體解碼值。

4 GA優化BP神經網絡的高校實驗室安全評價模型建立

基于GA優化BP神經網絡的高校實驗室安全評價模型接收用戶輸入的評價樣本數據，對樣本輸入數據進行歸一化處理后，先構建BP神經網絡并初始化權值和閾值，然后調用遺傳算法，通過選擇、交叉和變異的遺傳操作對BP神經網絡的初始權值和閾值進行優化，將遺傳算法優化［10］后獲取的最優解解碼，作為BP神經網絡的最優權值和閾值。

經遺傳算法優化后的BP神經網絡稱為GA-BP神經網絡。該網絡對輸入數據不斷重復學習，自動調整網絡的連接權值和閾值，實現對期望輸出值的正確擬合訓練，以達到要求精度。GA-BP神經網絡訓練結束后，將待評價的測試數據輸入訓練好的GA-BP神經網絡進行仿真測試，經過輸出值轉換處理后，得到最終的評價結果。GA優化BP神經網絡的高校實驗室安全評價模型如圖2所示。

圖2 GA優化BP神經網絡的高校實驗室安全評價模型構建

5 實驗結果及評價

5 1實驗評價指標

本實驗采用收斂性、精確性、穩定性三個指標作為評價標準。

（1）收斂性根據網絡訓練過程中的步數Eprochs來判斷收斂速度。不同網絡達到相同訓練目標時步數少的收斂速度快，反之，步數多的收斂速度慢。

（2）精確性按照不同網絡的測試仿真輸出值與期望輸出值的相對誤差，對訓練后的網絡進行測試得到輸出結果的精準度。其中，相對誤差=（測試仿真輸出值-期望輸出）/期望輸出×100%。

（3）穩定性根據網絡測試仿真輸出值與期望輸出值的誤差，計算出不同網絡測試輸出的均方誤差（MSE），即可進一步從宏觀上判斷整個網絡的穩定性。

5.2實驗結果比對分析

（1）收斂性

如圖3所示，BP神經網絡的收斂步數為29，而GA-BP網絡的收斂步數為12。BP網絡當訓練次數為29次時，才達到網絡訓練誤差目標0.001，而GA-BP網絡只需訓練12次就可以達到和BP評價模型一樣的訓練目標。

（2）精確性

通過對BP網絡模型和GA-BP網絡模型分別進行測試，得到了測試仿真輸出值如表1所示。表中的相對誤差=（測試仿真輸出值-期望輸出）/期望輸出×100%。

圖3 GA-BP網絡與BP網絡訓練誤差曲線對比圖

表1 測試樣本數據的BP網絡和GA-BP網絡仿真結果

可見，遺傳算法與BP神經網絡的結合不僅可以加快網絡收斂速度，也提高了網絡識別精度。

（3）穩定性

由圖4可見，相比之下，2系的GA-BP網絡測試輸出產生的均方誤差顯然比1系的BP網絡測試輸出產生的均方誤差更小一些，并且維持在一個較小的區間內，基本上保持在0.25以內，由此說明GA-BP模型的訓練結果要更穩定一些，而BP網絡的訓練效果不是太穩定，個別點測試輸出的相對誤差甚至達到近1.5，可能陷入局部極小值。

圖4 GA-BP網絡與BP網絡測試輸出與期望輸出的誤差對比圖

6 結束語

采用BP神經網絡對高校實驗室安全進行評價的方法，通過構建BP神經網絡評價模型，發現其不足。提出引入遺傳算法（GA）對BP神經網絡的權值和閾值進行優化，構建改進的GA-BP神經網絡評價模型，并將其應用于高校實驗室的安全評價中。通過對比實驗，證明基于GA-BP神經網絡的高校實驗室安全評價模型的可行性和有效性，在一定程度上改善了傳統評價的片面性、主觀性和模糊性，能較科學、客觀、準確地評價實驗室的安全水平。

參考文獻：

［1］王杰，劉曉鴻.髙校實驗室安全管理工作探討與對策研究［J］.實驗技術與管理，2010，27（3）：247-252.WANG Jie，LIU Xiaohong.Discussion on Laboratory Safety Management and Study of its Countermeasures［J］.Experimental Technology and Management，2010，27（3）：247-252.

［2］李恩敬.高等學校實驗室安全管理現狀調查與分析［J］.實驗技術與管理，2011，28（2）：198-200.LI Enjing.Investigation and Analysis on Current Situation of Laboratory Safety Management in Colleges and Universities［J］.Experimental Technology and Management，2011，28（2）：198-200.

［3］余志紅，任國友.基于AHP的校園安全評價指標研究［J］.中國安全生產科學技術，2009，5（5）：50-54.YU Zhihong，REN Guoyou.Study on Evaluation Index of Campus Security Based on Analytical Hierarchy Process ［J］.Journal of Safety Science and Technology，2009，5 （5）：50-54.

［4］陳立君，顧風岐.髙等學校實驗室安全管理體系的研究與探索［J］.實驗室研究與探索，2010，29（7）：339-341.CHEN Lijun，GU Fengqi.Study and Exploration on Safety Management Systemof University Laboratory［J］.Research and Exploration in Laboratory，2010，29（7）：339-341.

［5］陸琳睿，吳伊萍，陳祺.基于BP神經網絡的高校實驗室安全評價模型及應用［J］.實驗室研究與探索，2013，32（2）：214-218.LU Linrui，WU Yiping，CHEN Qi.The Evaluation Model and its Application to University Laboratory Safety Based on BP Neural Network［J］.Research and Exploration in Laboratory，2013，32（2）：214-218.

［6］鄧鐵清，任艮全，劉英博.基于遺傳算法的工作流個人工作列表資源調度［J］.軟件學報，2012，23（7）：1702-1716.DENG Tieqing，REN Genquan，LIU Yingbo.Genetic Algorithm Based Approach to Personal Worklist Resource Scheduling［J］.Journal of Software，2012，23（7）：1702-1716.

［7］劉春艷，凌建春，寇林元，等.GA-BP神經網絡與BP神經網絡性能比較［J］.中國衛生統計，2013，30（2）：173-181.Liu Chunyan，Ling Jianchun，Kou Linyuan，et al.Performance Comparison between GA-BP Neural Network and BP Neural Network［J］.Chinese Journal of Health Statistics，2013，30（2）：173-181.

［8］韋萌.BP神經網絡在高校教學實驗室綜合評價中的應用［J］.柳州職業技術學院學報，2010，10（1）：102-104.WEI Meng.Application of the BP Neural Network in the Comprehensive Evaluation of College Laboratories［J］.Journal of Liuzhou Vocational & Technical College，2010，10（1）：102-104.

［9］田旭光，宋形，劉宇新.結合遺傳算法優化BP神經網絡的結構和參數［J］.計算機應用與軟件，2004，21 （6）：69-71.TIAN Xuguang，SONG Tong，LIU Yuxin.Optimizing the Structure and Parameters of BP Neural Network Based on Genetic Algorithm［J］.ComputerApplications and Software，2004，21（6）：69-71.

［10］柴毅，尹宏鵬，李大杰，等.基于改進遺傳算法的BP神經網絡自適應優化設計［J］.重慶大學學報（自然科學版），2007，30（4）：91-92.CHAI Yi，YIN Hongpeng，LI Dajie，et al.Self-adaptation Optimize BP Neural Network Design Based on the Genetic Algorithms［J］.Journal of Chongqing University （Natural Science Edition），2007，30（4）：

Research on Evaluation of University Laboratory Safety Based on GA-BP Neural Network

Zhang Bo
（Department of Electronic and Information Engineering，Changsha Normal University，Changsha 410100，China）

Abstract：Evaluation of university laboratory safety is the weakness in the management of laboratory safety.Aiming at the problems of evaluation method，lack of more comprehensive，reasonable and efficient methods，in order to scientifically，objectively and accurately evaluate university laboratory safety level，and the theoretical exploration on BP neural network and the genetic algorithm are combined to perform evaluation for university laboratory safety.The evaluation，based on GA-BP neural network，is researched in the paper.The results show that the model of GA-BP network achieves higher precision in a shorter time and its convergence rate，accuracy and stability are better than that of BP network model，and the genetic algorithm optimizing BP neural network is reasonable and efficient.

Key words：BP Neural Network；Genetic Algorithm；University Laboratory Safety；Evaluation Model Safety Management；Effect and Evaluation

DOI：10.3969/j.issn.1002-2279.2016.02.014

中圖分類號：TP183；G647

文獻標識碼：A

文章編號：1002-2279（2016）02-0051-05

基金項目：?湖南省自然科學基金項目（2015JJ6007）；湖南省高等教育學會實驗室管理專業委員會2014年資助研究課題

作者簡介：張博（1980-），男，湖南省長沙市人，講師，碩士研究生，主研方向：模式識別、人工智能、圖像處理。

收稿日期：2015-06-25