[发明专利]一种基于动态双极MPNN的小样本数据对象的寿命预测方法

说明书

技术领域

本发明属于小样本寿命预测技术领域，具体地说，是指一种应用于小样本数据对象的寿命预测方法。

背景技术

寿命预测技术涉及到的范围和领域极其广泛，从原材料的疲劳寿命到复杂成型产品寿命，从民用领域到国防领域都需要寿命预测技术。目前，开展寿命预测工作主要有以下三种方法：

a，基于物理模型的寿命预测：该方法基于对研究对象的分析，从而建立反映对象演变过程的物理模型，通过相关数据对模型参数进行调整，最后得到需要的寿命预测模型。该方法主要应用在材料科学领域；

b，基于统计模型假设的寿命预测：此类方法首先假设研究对象寿命服从某种统计分布，之后利用大量已有的寿命数据确定该模型的参数，从而建立研究对象的寿命预测模型；

c，基于寿命影响因素分析训练的寿命预测：此方法主要是通过研究并确定影响预测对象的各寿命影响因素，并借助大量的寿命试验数据建立起影响因素同寿命之间的关系网络，从而建立研究对象的寿命预测模型。

对于上述三种方法，基于物理模型的寿命预测需要深入研究预测对象的内部机理，对于复杂系统，建立相应的物理模型的工作量将非常巨大；基于统计模型假设及基于寿命影响因素分析训练的寿命预测则需要大量的对象寿命数据以建立寿命预测模型。考虑到在实际工程应用中，尤其是在航空航天领域，往往会遇到各种客观条件限制，不可能存在大量的用于寿命预测的寿命数据。因而，研究一种针对极少寿命数据，具有小样本数据特点的寿命预测方法对符合此特点的对象来说具有重要的意义。

人工神经网络(Artificial Neural Network，ANN)是一个模拟大脑神经系统结构和功能，由大量简单处理单元即神经元广泛连接组成的人工网络。它能从已知数据中自动归纳规则，获得这些数据的内在规律，具有很强的非线性映射能力。人工神经网络具有以下几个突出优点：1.高度的并行性；2.高度的非线性全局作用；3.良好的容错性和联想记忆功能；4.十分强的自适应、自学习功能。

概率神经网络(简称PNN网络)是人工神经网络的一种，概率神经网络模型的拓扑结构如图1所示，概率神经网络为三层结构，分别是输入层、径向基函数层(也叫隐含层)和竞争学习层(也叫输出层)。其中，R代表输入层有R个分量的输入向量，N为输入训练样本向量的个数，y为输入向量，b^[1]为隐含层的阈值向量，K为输出层神经元数(即分类的类别数)，w^[1]和w^[2]分别为隐含层和输出层神经元的权重矩阵，n^[1]和n^[2]分别为隐含层和输出层神经元的加权和向量，a^[1]和a^[2]分别为隐含层和输出层神经元的输出向量，其表达式分别为：

a^[1]＝radbas(||w^[1]-y||·*b^[1])

a^[2]＝compet(w^[2]·a^[1])

PNN网络中径向基函数为：Radbas(u)＝exp(-u²)

该PNN网络的训练和分类过程可表述为：隐含层权重矩阵w^[1]被置为输入训练样本矩阵Y_(N×R)，输出层权重矩阵w^[2]被置为训练样本的目标矩阵T_(K×N)。目标矩阵的每一列只有一个1，其余的均为0。当输入所要分类的样本向量X时，隐含层计算输入向量与训练样本之间的距离，并输出归属每一类别的概率密度；输出层的竞争学习激励函数选出对应类别的最大概率密度，并对应产生1，其余类别均为0。

PNN网络具有网络训练速度快、预测精度高、对于新数据无需重复训练等优点，被广泛的用于实际工程项目中，尤其是对于分类问题。然而，对于预测问题，PNN网络显得束手无策，从而更加无法直接利用PNN网络对具有小样本数据特性对象进行寿命预测。

发明内容