聚甲醛工艺中的甲醛的转化率的预测方法和装置

技术领域

本申请涉及聚甲醛工艺技术领域，具体而言，涉及一种聚甲醛工艺中的甲醛的转化率的预测方法、装置、计算机可读存储介质和电子设备。

背景技术

聚甲醛(POM)是一种分子结构规整的热塑性、高结晶的聚合物。由于其优越的耐磨性和自润滑性又被称为“金属塑料”。

现有方案仅有针对丙烯聚合工艺中的MI软测量问题，引入模糊神经网络对熔融指数对象进行建模，然后使用支持向量机算法和自适应机制对原有的模型进行参数和结构优化。

都是针对某一特定的工艺根据不断地优化改进提出的，在其适用的领域有一定的优势但在其他工艺上并不一定有很好的效果，甲醛聚合工艺在反应设备和进料种类以及进料方式上与丙烯聚合工艺存在明显的区别，故以上方法很难适用聚甲醛工艺。

即现有方案的聚甲醛工艺中仅依靠模糊神经网络，导致聚甲醛工艺中的甲醛的转化率的预测值的准确度较低。

发明内容

本申请的主要目的在于提供一种聚甲醛工艺中的甲醛的转化率的预测方法、装置、计算机可读存储介质和电子设备，以至少解决现有方案的聚甲醛工艺中仅依靠模糊神经网络，导致聚甲醛工艺中的甲醛的转化率的预测值的准确度较低的问题。

为了实现上述目的，根据本申请的一个方面，提供了一种聚甲醛工艺中的甲醛的转化率的预测方法，其特征在于，包括：

采用狼群算法对模糊神经网络模型中的隶属函数的中心点、宽度以及权重进行修正，得到修正后的模糊神经网络模型，所述模糊神经网络模型是使用多组训练数据训练得到的，所述多组训练数据中的每一组训练数据均包括历史时间段内获取的：输入量以及与所述输入量对应的聚甲醛工艺中的甲醛的转化率，所述输入量包括聚甲醛的控制变量反应温度、引发剂用量、反应物配比、二氧五环添加量、二氧五环添加顺序以及捏合机螺杆转速；

采用所述修正后的模糊神经网络模型，对当前时刻的输入量进行处理，得到最优转化率预测值，以使得所述最优转化率预测值与转化率的实际值的差值的绝对值小于转化率差值阈值。

可选地，采用所述修正后的模糊神经网络模型，对当前时刻的输入量进行处理，得到最优转化率预测值，包括：

根据

确定节点输出值，其中，u

对所述节点输出值依次进行连乘处理、归一化处理以及加权处理，得到所述最优转化率预测值。

可选地，采用狼群算法对模糊神经网络模型中的隶属函数的中心点、宽度以及权重进行修正，得到修正后的模糊神经网络模型，包括：

确定多匹人工狼，各所述人工狼包括所述隶属函数的中心点、宽度以及权重；

根据所有的所述人工狼确定头狼和多个探狼，所述头狼为采用所述模糊神经网络模型，对当前时刻的输入量进行处理，得到的转化率预测值与转化率的实际值的差值的最小值所对应的包括所述隶属函数的中心点、宽度以及权重的向量，所述探狼为第一差值绝对值与第二差值绝对值的差值的绝对值小于预设差值所对应的包括所述隶属函数的中心点、宽度以及权重的向量，所述第一差值绝对值为采用所述模糊神经网络模型，对当前时刻的输入量进行处理，得到的转化率预测值与转化率的实际值的差值的绝对值，所述第二差值绝对值为采用所述模糊神经网络模型，对当前时刻的输入量进行处理，得到的转化率预测值与转化率的实际值的差值的最小值的绝对值；

采用探狼游走行为，对各表示包括所述隶属函数的中心点、宽度以及权重的向量的所述探狼进行修正，得到多个修正探狼；

确定除所述修正探狼以外的其它的所述人工狼中的至少一个为猛狼，采用召唤行为，更新表示包括所述隶属函数的中心点、宽度以及权重的向量的所述头狼，得到更新头狼；

采用猛狼围攻行为，对表示包括所述隶属函数的中心点、宽度以及权重的向量的所述猛狼进行修正，得到修正猛狼，并采用所述更新头狼对应的所述隶属函数的中心点、宽度以及权重，对所述模糊神经网络模型中的隶属函数的中心点、宽度以及权重进行修正，得到所述修正后的模糊神经网络模型。

可选地，采用探狼游走行为，对各表示包括所述隶属函数的中心点、宽度以及权重的向量的所述探狼进行修正，得到多个修正探狼，包括：

根据

其中，

可选地，采用召唤行为，更新表示包括所述隶属函数的中心点、宽度以及权重的向量的所述头狼，得到更新头狼，包括：

根据

其中，

在第k+1代种群中第v个猛狼的第d维度与所述头狼的差值的绝对值的和小于向量差值阈值的情况下，确定所述更新头狼为第k+1代种群中第v个猛狼的第d维度。

可选地，采用猛狼围攻行为，对表示包括所述隶属函数的中心点、宽度以及权重的向量的所述猛狼进行修正，得到修正猛狼，包括：

根据

其中，

可选地，所述方法还包括：在所述最优转化率预测值与转化率的实际值的差值的绝对值大于或者等于所述转化率差值阈值的情况下，重复执行修正步骤；采用狼群算法对模糊神经网络模型中的隶属函数的中心点、宽度以及权重进行修正，得到修正后的模糊神经网络模型，直到所述最优转化率预测值与转化率的实际值的差值的绝对值小于转化率差值阈值。

根据本申请的另一方面，提供了一种聚甲醛工艺中的甲醛的转化率的预测装置，该装置包括：

第一处理单元，用于采用狼群算法对模糊神经网络模型中的隶属函数的中心点、宽度以及权重进行修正，得到修正后的模糊神经网络模型，所述模糊神经网络模型是使用多组训练数据训练得到的，所述多组训练数据中的每一组训练数据均包括历史时间段内获取的：输入量以及与所述输入量对应的聚甲醛工艺中的甲醛的转化率，所述输入量包括聚甲醛的控制变量反应温度、引发剂用量、反应物配比、二氧五环添加量、二氧五环添加顺序以及捏合机螺杆转速；

第二处理单元，用于采用所述修正后的模糊神经网络模型，对当前时刻的输入量进行处理，得到最优转化率预测值，以使得所述最优转化率预测值与转化率的实际值的差值的绝对值小于转化率差值阈值。

根据本申请的另一方面，提供了一种计算机可读存储介质，所述计算机可读存储介质包括存储的程序，其中，在所述程序运行时控制所述计算机可读存储介质所在设备执行任意一种所述的聚甲醛工艺中的甲醛的转化率的预测方法。

根据本申请的另一方面，提供了一种电子设备，电子设备包括：一个或多个处理器，存储器，以及一个或多个程序，其中，所述一个或多个程序被存储在所述存储器中，并且被配置为由所述一个或多个处理器执行，所述一个或多个程序包括用于执行任意一种所述的聚甲醛工艺中的甲醛的转化率的预测方法。

应用本申请的技术方案，通过将狼群算法与模糊神经网络模型相结合，可以提高模糊神经网络模型预测聚甲醛工艺中的甲醛的转化率的准确度，即采用狼群算法代替常用的反向传播算法，该算法是一种随机概率搜索算法，能够以较大的概率快速找到最优解；还具有并行性，可以在同一时间从多个点出发进行搜索，点与点之间互不影响，从而提高算法的效率，与经典搜索算法相比具有较好的全局收敛性和鲁棒性，进而解决了现有方案的聚甲醛工艺中仅依靠模糊神经网络，导致聚甲醛工艺中的甲醛的转化率的预测值的准确度较低的问题。

附图说明

构成本申请的一部分的说明书附图用来提供对本申请的进一步理解，本申请的示意性实施例及其说明用于解释本申请，并不构成对本申请的不当限定。在附图中：

图1示出了根据本申请的实施例提供的一种聚甲醛工艺中的甲醛的转化率的预测方法的流程示意图；

图2示出了根据本申请的实施例提供的另一种聚甲醛工艺中的甲醛的转化率的预测方法的流程示意图；

图3示出了根据本申请的实施例提供的一种聚甲醛工艺中的甲醛的转化率的预测装置的结构框图。

具体实施方式

需要说明的是，在不冲突的情况下，本申请中的实施例及实施例中的特征可以相互组合。下面将参考附图并结合实施例来详细说明本申请。

为了使本技术领域的人员更好地理解本申请方案，下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本申请一部分的实施例，而不是全部的实施例。基于本申请中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都应当属于本申请保护的范围。

需要说明的是，本申请的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换，以便这里描述的本申请的实施例。此外，术语“包括”和“具有”以及他们的任何变形，意图在于覆盖不排他的包含，例如，包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元，而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。

正如背景技术中所介绍的，聚甲醛(POM)是一种分子结构规整的热塑性、高结晶的聚合物。由于其优越的耐磨性和自润滑性又被称为“金属塑料”。现有方案仅有针对丙烯聚合工艺中的MI软测量问题，引入模糊神经网络对熔融指数对象进行建模，然后使用支持向量机算法和自适应机制对原有的模型进行参数和结构优化。都是针对某一特定的工艺根据不断地优化改进提出的，在其适用的领域有一定的优势但在其他工艺上并不一定有很好的效果，甲醛聚合工艺在反应设备和进料种类以及进料方式上与丙烯聚合工艺存在明显的区别，故以上方法很难适用聚甲醛工艺。即现有方案的聚甲醛工艺中仅依靠模糊神经网络，导致聚甲醛工艺中的甲醛的转化率的预测值的准确度较低，为解决现有方案的聚甲醛工艺中仅依靠模糊神经网络，导致聚甲醛工艺中的甲醛的转化率的预测值的准确度较低的问题，本申请的实施例提供了一种聚甲醛工艺中的甲醛的转化率的预测方法、装置、计算机可读存储介质和电子设备。

下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述。

在本实施例中提供了一种聚甲醛工艺中的甲醛的转化率的预测方法，需要说明的是，在附图的流程图示出的步骤可以在诸如一组计算机可执行指令的计算机系统中执行，并且，虽然在流程图中示出了逻辑顺序，但是在某些情况下，可以以不同于此处的顺序执行所示出或描述的步骤。

图1是根据本申请实施例的聚甲醛工艺中的甲醛的转化率的预测方法的流程图。

如图1所示，该方法包括以下步骤：

步骤S101，采用狼群算法对模糊神经网络模型中的隶属函数的中心点、宽度以及权重进行修正，得到修正后的模糊神经网络模型，上述模糊神经网络模型是使用多组训练数据训练得到的，上述多组训练数据中的每一组训练数据均包括历史时间段内获取的：输入量以及与上述输入量对应的聚甲醛工艺中的甲醛的转化率，上述输入量包括聚甲醛的控制变量反应温度、引发剂用量、反应物配比、二氧五环添加量、二氧五环添加顺序以及捏合机螺杆转速；

具体地，模糊神经网络模型共分为五层：输入层、隶属度函数计算层、规则生成层、输出层。模糊神经网络同BP神经网络模型一样，一般使用梯度下降法、随机梯度下降法等反向传播算法对输出层的连接权值、隶属函数的中心点以及宽度向量进行优化。但是梯度下降法很容易使寻优过程陷入局部最优解，当函数的形态很复杂时，那么梯度下降法可能会在局部最小值附近来回震荡，而不是直接收敛到最优解。而随机梯度下降法虽然可以有效缓解这一问题但是由于每次迭代中只使用一个样本计算梯度，如果训练集很大的话，需要计算很多次梯度那么总的计算代价就会变得很高。本申请采用狼群算法代替常用的反向传播算法，该算法是一种随机概率搜索算法，能够以较大的概率快速找到最优解；还具有并行性，可以在同一时间从多个点出发进行搜索，点与点之间互不影响，从而提高算法的效率，与经典搜索算法相比具有较好的全局收敛性和鲁棒性。

步骤S101，即采用狼群算法对模糊神经网络模型中的隶属函数的中心点、宽度以及权重进行修正，得到修正后的模糊神经网络模型，包括：

确定多匹人工狼，各上述人工狼包括上述隶属函数的中心点、宽度以及权重；

根据所有的上述人工狼确定头狼和多个探狼，上述头狼为采用上述模糊神经网络模型，对当前时刻的输入量进行处理，得到的转化率预测值与转化率的实际值的差值的最小值所对应的包括上述隶属函数的中心点、宽度以及权重的向量，上述探狼为第一差值绝对值与第二差值绝对值的差值的绝对值小于预设差值所对应的包括上述隶属函数的中心点、宽度以及权重的向量，上述第一差值绝对值为采用上述模糊神经网络模型，对当前时刻的输入量进行处理，得到的转化率预测值与转化率的实际值的差值的绝对值，上述第二差值绝对值为采用上述模糊神经网络模型，对当前时刻的输入量进行处理，得到的转化率预测值与转化率的实际值的差值的最小值的绝对值；

利用狼群算法建立寻优模型，将模糊神经网络中需要寻优的变量作为猎场中的人工狼，即欧氏空间的坐标，训练中的模糊神经网络误差作为人工狼所感知到的猎物气味浓度，规定值越小气味越浓，进行迭代寻优。初始化时随机生成一个人工狼总数×维度总数的欧氏空间，每一匹人工狼的状态可表示对应模糊神经网络中输出层的连接权值、隶属函数的中心点以及宽度。

具体地，探狼的数量取[n/(o+1)，n/o]之间的整数，n为人工狼的数量，o为探狼比例因子，为设置值，头狼是采用这些人工狼所对应的隶属函数的中心点、宽度以及权重，算出的转化率的预测值与实际值最接近的一匹人工狼，探狼是采用这些人工狼所对应的隶属函数的中心点、宽度以及权重，算出的转化率的预测值与实际值的差值接近头狼的人工狼，目的是采用这些探狼以头狼为中心，向头狼靠拢，以优化人工狼整体的准确度，；

采用探狼游走行为，对各表示包括上述隶属函数的中心点、宽度以及权重的向量的上述探狼进行修正，得到多个修正探狼；

实现方式为：

根据

其中，

具体地，每一匹探狼都会进行规定次数的修正，在每次得到一匹修正探狼时，都需要使用修正探狼表征的隶属函数的中心点、宽度以及权重，采用模糊神经网络模型进行预测，得到转化率的预测值，并确定该预测值与实际值的差值的绝对值是否小于头狼预测值与实际值的差值，若达到最大修正次数则将预测转化率与真实值差值的绝对值最小的修正探狼，作为该匹人工狼的最终修正探狼，且下一匹狼进入游走行为。若期间某一匹修正探狼产生的预测值与实际值的差值的绝对值小于头狼产生的预测值与实际值的差值的绝对值，或所有探狼皆完成游走行为，则进行后续召唤行为。

确定除上述修正探狼以外的其它的上述人工狼中的至少一个为猛狼，采用召唤行为，更新表示包括上述隶属函数的中心点、宽度以及权重的向量的上述头狼，得到更新头狼；

实现方式：

根据

其中，

在第k+1代种群中第v个猛狼对应的模糊神经网络预测值与实际值的差值的绝对值小于所述头狼对应的模糊神经网络预测值与实际值的差值的绝对值，确定所述更新头狼为第k+1代种群的第v个猛狼。

具体地，与每确定一匹猛狼，就要用该猛狼包括的隶属函数的中心点、宽度以及权重的向量与头狼包括的隶属函数的中心点、宽度以及权重的向量求差值，两个向量的差值的绝对值的和与设定的比较值进行比较，若小于差值阈值则进行之后的猛狼围攻行为，同时采用模糊神经网络模型进行预测，得到转化率的预测值，若该值与实际值的差值的绝对值小于头狼的预测值与实际值之间的差值的绝对值，则将该猛狼作为新的头狼，即更新头狼，并发起召唤行为，否则对下一匹猛狼继续进行召唤行为，直到所有猛狼皆进行过召唤行为。

设定的比较值通过

d

采用猛狼围攻行为，对表示包括上述隶属函数的中心点、宽度以及权重的向量的上述猛狼进行修正，得到修正猛狼，并采用上述更新头狼对应的上述隶属函数的中心点、宽度以及权重，对上述模糊神经网络模型中的隶属函数的中心点、宽度以及权重进行修正，得到上述修正后的模糊神经网络模型。

在本申请的一种实施例中，采用猛狼围攻行为，对表示包括上述隶属函数的中心点、宽度以及权重的向量的上述猛狼进行修正，得到修正猛狼，包括：

根据

其中，

具体地，猛狼围攻行为是为了优化除了更新头狼以外的其它猛狼，向更新头狼进行优化，便于还想继续更新当前的更新头狼时能够使得下一次更新的更新头狼的预测效果更好。

通过狼群更新机制来除去适应度最差的R匹人工狼，同时随机产生R匹新的人工狼，R取[n/(2δ)，n/δ]之间的随机整数，δ为群体更新比例因子，为设定值，这里根据模糊神经网络模型的特点规定为6。

在本申请的一种实施例中，上述方法还包括：在上述最优转化率预测值与转化率的实际值的差值的绝对值大于或者等于上述转化率差值阈值的情况下，重复执行修正步骤；采用狼群算法对模糊神经网络模型中的隶属函数的中心点、宽度以及权重进行修正，得到修正后的模糊神经网络模型，直到上述最优转化率预测值与转化率的实际值的差值的绝对值小于转化率差值阈值。从而可以保证最终的最优转化率预测值与转化率的实际值的差值的绝对值小于转化率差值阈值，以提高模糊神经网络模型的预测的准确度。

步骤S102，采用上述修正后的模糊神经网络模型，对当前时刻的输入量进行处理，得到最优转化率预测值，以使得上述最优转化率预测值与转化率的实际值的差值的绝对值小于转化率差值阈值取值0.01，或优化迭代次数达到最大。

上述方法中，通过将狼群算法与模糊神经网络模型相结合，可以提高模糊神经网络模型预测聚甲醛工艺中的甲醛的转化率的准确度，即采用狼群算法代替常用的反向传播算法，该算法是一种随机概率搜索算法，能够以较大的概率快速找到最优解；还具有并行性，可以在同一时间从多个点出发进行搜索，点与点之间互不影响，从而提高算法的效率，与经典搜索算法相比具有较好的全局收敛性和鲁棒性，进而解决了现有方案的聚甲醛工艺中仅依靠模糊神经网络，导致聚甲醛工艺中的甲醛的转化率的预测值的准确度较低的问题。

与其他常见聚合过程相比甲醛聚合过程在反应设备以及进料策略上有其独特的特点，现有的关于软测量技术针对聚甲醛特点建立的模型非常稀少。本申请是专门针对聚甲醛工艺特点建立的模型，针对性强，且使用了融合了模糊逻辑推理的强大结构性知识表达能力与神经网络强大自学习能力于一体的模糊神经网络技术作为预测模型提高了模型的预测精度。并且通过使用狼群算法对该模型进行了优化，大大降低了模型陷入局部最优的风险，进一步提高了模型的预测精度。

具体实现方式：

根据

确定节点输出值，其中，u

对上述节点输出值依次进行连乘处理、归一化处理以及加权处理，得到上述最优转化率预测值。

具体地，之后为规则生成层，每个节点代表一条模糊规则，采用隶属度的连乘作为模糊规则：

a

Π为连乘符号；

在归一化层对上一节点的输出进行归一化：

β

最后在输出层对数据进行加权处理：

其中，

为了使得本领域技术人员能够更加清楚地了解本申请的技术方案，以下将结合具体的实施例对本申请的聚甲醛工艺中的甲醛的转化率的预测方法的实现过程进行详细说明。

本实施例涉及一种具体的聚甲醛工艺中的甲醛的转化率的预测方法，如图2所示，包括如下步骤：

步骤S1：利用狼群算法建立寻优模型，将模糊神经网络中需要寻优的变量作为猎场中的人工狼，即欧氏空间的坐标，训练中的模糊神经网络误差作为人工狼所感知到的猎物气味浓度，规定值越小气味越浓，进行迭代寻优。初始化时随机生成一个人工狼总数×维度总数的欧氏空间，每一匹人工狼的状态可表示对应模糊神经网络中输出层的连接权值、隶属函数的中心点以及宽度；

步骤S2：根据所有的上述人工狼确定头狼和多个探狼，上述头狼为采用上述模糊神经网络模型，对当前时刻的输入量进行处理，得到的转化率预测值与转化率的实际值的差值的最小值所对应的包括上述隶属函数的中心点、宽度以及权重的向量，上述探狼为第一差值绝对值与第二差值绝对值的差值的绝对值小于预设差值所对应的包括上述隶属函数的中心点、宽度以及权重的向量，上述第一差值绝对值为采用上述模糊神经网络模型，对当前时刻的输入量进行处理，得到的转化率预测值与转化率的实际值的差值的绝对值，上述第二差值绝对值为采用上述模糊神经网络模型，对当前时刻的输入量进行处理，得到的转化率预测值与转化率的实际值的差值的最小值的绝对值；

步骤S3：采用探狼游走行为，对各表示包括上述隶属函数的中心点、宽度以及权重的向量的上述探狼进行修正，得到多个修正探狼；

步骤S4：确定除上述修正探狼以外的其它的上述人工狼中的至少一个为猛狼，采用召唤行为，更新表示包括上述隶属函数的中心点、宽度以及权重的向量的上述头狼，得到更新头狼；

步骤S5：采用猛狼围攻行为，对表示包括上述隶属函数的中心点、宽度以及权重的向量的上述猛狼进行修正，得到修正猛狼，并采用上述更新头狼对应的上述隶属函数的中心点、宽度以及权重，对上述模糊神经网络模型中的隶属函数的中心点、宽度以及权重进行修正，得到上述修正后的模糊神经网络模型；

步骤S6：采用上述修正后的模糊神经网络模型，对当前时刻的输入量进行处理，得到最优转化率预测值，以使得上述最优转化率预测值与转化率的实际值的差值的绝对值小于转化率差值阈值。

需要说明的是，在附图的流程图示出的步骤可以在诸如一组计算机可执行指令的计算机系统中执行，并且，虽然在流程图中示出了逻辑顺序，但是在某些情况下，可以以不同于此处的顺序执行所示出或描述的步骤。

本申请实施例还提供了一种聚甲醛工艺中的甲醛的转化率的预测装置，需要说明的是，本申请实施例的聚甲醛工艺中的甲醛的转化率的预测装置可以用于执行本申请实施例所提供的用于聚甲醛工艺中的甲醛的转化率的预测方法。该装置用于实现上述实施例及优选实施方式，已经进行过说明的不再赘述。如以下所使用的，术语“模块”可以实现预定功能的软件和/或硬件的组合。尽管以下实施例所描述的装置较佳地以软件来实现，但是硬件，或者软件和硬件的组合的实现也是可能并被构想的。

以下对本申请实施例提供的聚甲醛工艺中的甲醛的转化率的预测装置进行介绍。

图3是根据本申请实施例的聚甲醛工艺中的甲醛的转化率的预测装置的示意图。

如图3所示，该装置包括：

第一处理单元31，用于采用狼群算法对模糊神经网络模型中的隶属函数的中心点、宽度以及权重进行修正，得到修正后的模糊神经网络模型，上述模糊神经网络模型是使用多组训练数据训练得到的，上述多组训练数据中的每一组训练数据均包括历史时间段内获取的：输入量以及与上述输入量对应的聚甲醛工艺中的甲醛的转化率，上述输入量包括聚甲醛的控制变量反应温度、引发剂用量、反应物配比、二氧五环添加量、二氧五环添加顺序以及捏合机螺杆转速；

第二处理单元32，用于采用上述修正后的模糊神经网络模型，对当前时刻的输入量进行处理，得到最优转化率预测值，以使得上述最优转化率预测值与转化率的实际值的差值的绝对值小于转化率差值阈值。

上述装置中，通过将狼群算法与模糊神经网络模型相结合，可以提高模糊神经网络模型预测聚甲醛工艺中的甲醛的转化率的准确度，即采用狼群算法代替常用的反向传播算法，该算法是一种随机概率搜索算法，能够以较大的概率快速找到最优解；还具有并行性，可以在同一时间从多个点出发进行搜索，点与点之间互不影响，从而提高算法的效率，与经典搜索算法相比具有较好的全局收敛性和鲁棒性，进而解决了现有方案的聚甲醛工艺中仅依靠模糊神经网络，导致聚甲醛工艺中的甲醛的转化率的预测值的准确度较低的问题。

在本申请的一种实施例中，第二处理单元包括第一处理模块和第二处理模块；

第一处理模块用于根据

确定节点输出值，其中，u

第二处理模块用于对上述节点输出值依次进行连乘处理、归一化处理以及加权处理，得到上述最优转化率预测值。

在本申请的一种实施例中，第一处理单元包括第三处理模块、第四处理模块、第五处理模块、第六处理模块和第七处理模块；

第三处理模块用于确定多匹人工狼，各上述人工狼包括上述隶属函数的中心点、宽度以及权重；

第四处理模块用于根据所有的上述人工狼确定头狼和多个探狼，上述头狼为采用上述模糊神经网络模型，对当前时刻的输入量进行处理，得到的转化率预测值与转化率的实际值的差值的最小值所对应的包括上述隶属函数的中心点、宽度以及权重的向量，上述探狼为第一差值绝对值与第二差值绝对值的差值的绝对值小于预设差值所对应的包括上述隶属函数的中心点、宽度以及权重的向量，上述第一差值绝对值为采用上述模糊神经网络模型，对当前时刻的输入量进行处理，得到的转化率预测值与转化率的实际值的差值的绝对值，上述第二差值绝对值为采用上述模糊神经网络模型，对当前时刻的输入量进行处理，得到的转化率预测值与转化率的实际值的差值的最小值的绝对值；

第五处理模块用于采用探狼游走行为，对各表示包括上述隶属函数的中心点、宽度以及权重的向量的上述探狼进行修正，得到多个修正探狼；

第六处理模块用于确定除上述修正探狼以外的其它的上述人工狼中的至少一个为猛狼，采用召唤行为，更新表示包括上述隶属函数的中心点、宽度以及权重的向量的上述头狼，得到更新头狼；

第七处理模块用于采用猛狼围攻行为，对表示包括上述隶属函数的中心点、宽度以及权重的向量的上述猛狼进行修正，得到修正猛狼，并采用上述更新头狼对应的上述隶属函数的中心点、宽度以及权重，对上述模糊神经网络模型中的隶属函数的中心点、宽度以及权重进行修正，得到上述修正后的模糊神经网络模型。

在本申请的一种实施例中，第五处理模块包括第一处理子模块，

第一处理子模块用于根据

其中，

在本申请的一种实施例中，第六处理模块包括第二处理子模块和第三处理子模块，

第二处理子模块用于根据

确定召唤行为中猛狼的修正方式；

其中，

第三处理子模块用于在第k+1代种群中第v个猛狼的第d维度与上述头狼的差值的绝对值的和小于向量差值阈值的情况下，确定上述更新头狼为第k+1代种群中第v个猛狼的第d维度。

在本申请的一种实施例中，第七处理模块包括第四处理子模块；

第四处理子模块用于根据

确定上述修正猛狼；

其中，

在本申请的一种实施例中，该装置还包括第三处理单元，第三处理单元用于在上述最优转化率预测值与转化率的实际值的差值的绝对值大于或者等于上述转化率差值阈值的情况下，重复执行修正步骤；采用狼群算法对模糊神经网络模型中的隶属函数的中心点、宽度以及权重进行修正，得到修正后的模糊神经网络模型，直到上述最优转化率预测值与转化率的实际值的差值的绝对值小于转化率差值阈值。

上述聚甲醛工艺中的甲醛的转化率的预测装置包括处理器和存储器，上述第一处理单元和第二处理单元等均作为程序单元存储在存储器中，由处理器执行存储在存储器中的上述程序单元来实现相应的功能。上述模块均位于同一处理器中；或者，上述各个模块以任意组合的形式分别位于不同的处理器中。

处理器中包含内核，由内核去存储器中调取相应的程序单元。内核可以设置一个或以上，通过调整内核参数来解决现有方案的聚甲醛工艺中仅依靠模糊神经网络，导致聚甲醛工艺中的甲醛的转化率的预测值的准确度较低的问题。

存储器可能包括计算机可读介质中的非永久性存储器，随机存取存储器(RAM)和/或非易失性内存等形式，如只读存储器(ROM)或闪存(flash RAM)，存储器包括至少一个存储芯片。

本发明实施例提供了一种计算机可读存储介质，上述计算机可读存储介质包括存储的程序，其中，在上述程序运行时控制上述计算机可读存储介质所在设备执行上述聚甲醛工艺中的甲醛的转化率的预测方法。

本发明实施例提供了一种处理器，上述处理器用于运行程序，其中，上述程序运行时执行上述聚甲醛工艺中的甲醛的转化率的预测方法。

本发明实施例提供了一种设备，设备包括处理器、存储器及存储在存储器上并可在处理器上运行的程序，处理器执行程序时实现至少以下步骤：采用狼群算法对模糊神经网络模型中的隶属函数的中心点、宽度以及权重进行修正，得到修正后的模糊神经网络模型，上述模糊神经网络模型是使用多组训练数据训练得到的，上述多组训练数据中的每一组训练数据均包括历史时间段内获取的：输入量以及与上述输入量对应的聚甲醛工艺中的甲醛的转化率，上述输入量包括聚甲醛的控制变量反应温度、引发剂用量、反应物配比、二氧五环添加量、二氧五环添加顺序以及捏合机螺杆转速；采用上述修正后的模糊神经网络模型，对当前时刻的输入量进行处理，得到最优转化率预测值，以使得上述最优转化率预测值与转化率的实际值的差值的绝对值小于转化率差值阈值。本文中的设备可以是服务器、PC、PAD、手机等。

本申请还提供了一种计算机程序产品，当在数据处理设备上执行时，适于执行初始化有至少如下方法步骤的程序：采用狼群算法对模糊神经网络模型中的隶属函数的中心点、宽度以及权重进行修正，得到修正后的模糊神经网络模型，上述模糊神经网络模型是使用多组训练数据训练得到的，上述多组训练数据中的每一组训练数据均包括历史时间段内获取的：输入量以及与上述输入量对应的聚甲醛工艺中的甲醛的转化率，上述输入量包括聚甲醛的控制变量反应温度、引发剂用量、反应物配比、二氧五环添加量、二氧五环添加顺序以及捏合机螺杆转速；采用上述修正后的模糊神经网络模型，对当前时刻的输入量进行处理，得到最优转化率预测值，以使得上述最优转化率预测值与转化率的实际值的差值的绝对值小于转化率差值阈值。

本申请还提供了一种电子设备，电子设备包括：一个或多个处理器，存储器，以及一个或多个程序，其中，上述一个或多个程序被存储在上述存储器中，并且被配置为由上述一个或多个处理器执行，上述一个或多个程序包括用于执行任意一种上述的聚甲醛工艺中的甲醛的转化率的预测方法。通过将狼群算法与模糊神经网络模型相结合，可以提高模糊神经网络模型预测聚甲醛工艺中的甲醛的转化率的准确度，即采用狼群算法代替常用的反向传播算法，该算法是一种随机概率搜索算法，能够以较大的概率快速找到最优解；还具有并行性，可以在同一时间从多个点出发进行搜索，点与点之间互不影响，从而提高算法的效率，与经典搜索算法相比具有较好的全局收敛性和鲁棒性，进而解决了现有方案的聚甲醛工艺中仅依靠模糊神经网络，导致聚甲醛工艺中的甲醛的转化率的预测值的准确度较低的问题。

显然，本领域的技术人员应该明白，上述的本发明的各模块或各步骤可以用通用的计算装置来实现，它们可以集中在单个的计算装置上，或者分布在多个计算装置所组成的网络上，它们可以用计算装置可执行的程序代码来实现，从而，可以将它们存储在存储装置中由计算装置来执行，并且在某些情况下，可以以不同于此处的顺序执行所示出或描述的步骤，或者将它们分别制作成各个集成电路模块，或者将它们中的多个模块或步骤制作成单个集成电路模块来实现。这样，本发明不限制于任何特定的硬件和软件结合。

本领域内的技术人员应明白，本申请的实施例可提供为方法、系统、或计算机程序产品。因此，本申请可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。

本申请是参照根据本申请实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。

这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。

这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。

在一个典型的配置中，计算设备包括一个或多个处理器(CPU)、输入/输出接口、网络接口和内存。

存储器可能包括计算机可读介质中的非永久性存储器，随机存取存储器(RAM)和/或非易失性内存等形式，如只读存储器(ROM)或闪存(flash RAM)。存储器是计算机可读介质的示例。

计算机可读介质包括永久性和非永久性、可移动和非可移动媒体可以由任何方法或技术来实现信息存储。信息可以是计算机可读指令、数据结构、程序的模块或其他数据。计算机的存储介质的例子包括，但不限于相变内存(PRAM)、静态随机存取存储器(SRAM)、动态随机存取存储器(DRAM)、其他类型的随机存取存储器(RAM)、只读存储器(ROM)、电可擦除可编程只读存储器(EEPROM)、快闪记忆体或其他内存技术、只读光盘只读存储器(CD-ROM)、数字多功能光盘(DVD)或其他光学存储、磁盒式磁带，磁带磁磁盘存储或其他磁性存储设备或任何其他非传输介质，可用于存储可以被计算设备访问的信息。按照本文中的界定，计算机可读介质不包括暂存电脑可读媒体(transitory media)，如调制的数据信号和载波。

还需要说明的是，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、商品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、商品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括要素的过程、方法、商品或者设备中还存在另外的相同要素。

从以上的描述中，可以看出，本申请上述的实施例实现了如下技术效果：

1)、本申请的聚甲醛工艺中的甲醛的转化率的预测方法，通过将狼群算法与模糊神经网络模型相结合，可以提高模糊神经网络模型预测聚甲醛工艺中的甲醛的转化率的准确度，即采用狼群算法代替常用的反向传播算法，该算法是一种随机概率搜索算法，能够以较大的概率快速找到最优解；还具有并行性，可以在同一时间从多个点出发进行搜索，点与点之间互不影响，从而提高算法的效率，与经典搜索算法相比具有较好的全局收敛性和鲁棒性，进而解决了现有方案的聚甲醛工艺中仅依靠模糊神经网络，导致聚甲醛工艺中的甲醛的转化率的预测值的准确度较低的问题。

2)、本申请的聚甲醛工艺中的甲醛的转化率的预测装置，通过将狼群算法与模糊神经网络模型相结合，可以提高模糊神经网络模型预测聚甲醛工艺中的甲醛的转化率的准确度，即采用狼群算法代替常用的反向传播算法，该算法是一种随机概率搜索算法，能够以较大的概率快速找到最优解；还具有并行性，可以在同一时间从多个点出发进行搜索，点与点之间互不影响，从而提高算法的效率，与经典搜索算法相比具有较好的全局收敛性和鲁棒性，进而解决了现有方案的聚甲醛工艺中仅依靠模糊神经网络，导致聚甲醛工艺中的甲醛的转化率的预测值的准确度较低的问题。

以上所述仅为本申请的优选实施例而已，并不用于限制本申请，对于本领域的技术人员来说，本申请可以有各种更改和变化。凡在本申请的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本申请的保护范围之内。