【摘要】 本发明提供了一种基于BP神经网络算法对涂层老化的分析方法。建模关系数目没有限制，将其应用于伪装涂料的老化预测，灵活性和预报精度较高，可以实现全局最优解，训练次数少，收敛快；隐层和因节点选取采用理论指导；继承性较好。其由信号的正向传播与误差的反向传播过程组成；正向传播是，输入样本从输入层传入，经各隐层逐层处理后，传向输出层；若输出层的实际输出与期望的输出不符，则转入误差的反向传播阶段；误差反传是将输出误差以某种形式通过隐层向输入层逐层反传，并将误差分摊给各层的所有单元，从而获得各层单元的误差信号，此误差信号即作为修正各单元权值的依据；这种信号正向传播与误差反向传播的各层权值调整过程，是周而复始地进行，此过程一直进行到网络输出的误差减少到可接受的程度，或进行到预先设定的次数为止；其特征在于：(1)增加动量项ΔW(t)＝ηδX+αΔW(t-1)，α为动量因子α∈(0，1)；(2)自适应调节学习速率，若经过一批次权值调整后总误差E上升，η＝βη(θ＞0)，若经过一批次权值调整后总误差E下降，η＝θη(θ＞0)；(3)引入陡度因子，当误差曲面进入平坦区域时，设改变输出量，λ为陡度因子，在平坦区时λ＞1，退出平坦区后λ＝1。 【专利类型】发明申请 【申请人】中国人民解放军63983部队 【申请人类型】机关团体 【申请人地址】214035 江苏省无锡市北塘区通惠西路160号 【申请人地区】中国 【申请人城市】无锡市 【申请人区县】梁溪区 【申请号】CN201010617208.X 【申请日】2010-12-31 【申请年份】2010 【公开公告号】CN102054199A 【公开公告日】2011-05-11 【公开公告年份】2011 【IPC分类号】G06N3/08 【发明人】卢言利; 张拴勤; 蒋晓军; 凌军; 潘家亮; 杨辉; 徐怡 【主权项内容】1.基于BP神经网络算法对涂层老化的分析方法，其由信号的正向传播与误差的反向传播过程组成；正向传播是，输入样本从输入层传入，经各隐层逐层处理后，传向输出层；若输出层的实际输出与期望的输出不符，则转入误差的反向传播阶段；误差反传是将输出误差以某种形式通过隐层向输入层逐层反传，并将误差分摊给各层的所有单元，从而获得各层单元的误差信号，此误差信号即作为修正各单元权值的依据；这种信号正向传播与误差反向传播的各层权值调整过程，是周而复始地进行，此过程一直进行到网络输出的误差减少到可接受的程度，或进行到预先设定的次数为止； 三层前馈网中，输入向量为X＝(x1，x2，L，xi，L，xn)T；如加入x0＝-1，可为隐层神经元引入阈值；隐层输出向量为Y＝(y1，y2，L，yi，L，ym)T，如加入y0＝-1，可为输出层神经元引入阈值；输出层输出向量为O＝(o1，o2，L，ok，L，oj)T；期望输出向量为D＝(d1，d2，L，dk，L，dj)T；输入层到隐层之间的权值矩阵用V表示；V＝(v1，v2，L，vj，L，xm)；其中列向量Vj为隐层第j个神经元对应的权向量；隐层到输出层之间的权值矩阵用W表示，W＝(w1，w2，L，wk，L，wi)，其中列向量Wk为输出层第k个神经元对应的权向量； 网络误差与权值调整原理： 当网络输出与期望输出不等时，存在输入误差E，定义如下： 将误差展开至隐层有： 展开到输入层有： 网络误差是各层权值函数，调整权重来改变误差，最终Δw＝η(δoYT)T，Δv＝η(δoXT)T；η是(0，1)之间的常数；δ为学习信号，一般采取梯度下降法 将老化外因设为BP网络输入变量X，各输入变量之间相对独立，并且将输入变量转化为[0，1]之间。 其中xi为输入数据，xmax和xmin分别为最大输入和最小输入。 老化结果作为网络输出变量Y，传递函数为连续性Sigmoid型，输出值为(0，1)之间。 通过对试验数据的处理，将实验数据分为网络训练样本和检验样本； 其特征在于： (1)、增加动量项ΔW(t)＝ηδX+αΔW(t-1)，α为动量因子α∈(0，1)； (2)、自适应调节学习速率，若经过一批次权值调整后总误差E上升，η＝βη(θ＞0)，若经过一批次权值调整后总误差E下降，η＝θη(θ＞0)； (3)、引入陡度因子，当误差曲面进入平坦区域时，设 改变输出量，λ为陡 度因子，在平坦区时λ＞1，退出平坦区后λ＝1。 【当前权利人】中国人民解放军63983部队 【当前专利权人地址】江苏省无锡市北塘区通惠西路160号 【引证次数】2.0 【被引证次数】11 【他引次数】2.0 【被他引次数】11.0 【家族引证次数】2.0 【家族被引证次数】11

未经允许不得转载：http://www.zhongzhencnc.com/1781729606.html