57、人工神经网络与抛物面太阳能聚光器接收器材料研究

人工神经网络与抛物面太阳能聚光器接收器材料研究

1. 人工神经网络预测太阳能镜清洁度

1.1 类别编码与模型架构

为了预测太阳能镜的清洁度，研究中采用了人工神经网络（ANN）模型。首先对清洁度进行了分类，分为“清洁”“半清洁”“脏”和“非常脏”四类，并采用独热编码（One - hot encoding）的方式对这些类别进行编码，具体如下表所示：
| 类别 | 关联代码 |
| ---- | ---- |
| 清洁 | 1000 |
| 半清洁 | 0100 |
| 脏 | 0010 |
| 非常脏 | 0001 |

1.2 优化与成本函数

在神经网络模型中，损失函数对于优化模型参数至关重要。损失函数的公式为：
[
loss = \sum_{k = 1}^{n} y_{o,k} \log(p_{o,k})
]
其中，(n) 是类别的数量；(y) 是二元指标，如果观察值 (o) 正确分类为类别 (k)，则 (y) 取值为 1，否则为 0；(p) 是观察值 (o) 属于类别 (k) 的预测概率。

为了提高 ANN 模型的性能，还使用了优化器来最小化成本函数。研究中比较了两种优化器：Adam 和随机梯度下降（Stochastic Gradient Descent），结果如下表所示：
| 优化器 | 损失值 | 准确率 |
| ---- | ---- | ---- |
| Adam | 0.24 | 95.92 |
| 随机梯度下降 | 0.28 | 93.88 |

从结果可以看出，A