[发明专利]基于采用多父代遗传算法的人工神经网络的喷射器性能预测方法

权利要求书

1.一种基于采用多父代遗传算法的人工神经网络的喷射器性能预测方法，其特征在于：包括以下步骤：

步骤一，数据的采集与处理

对于给定的喷射器，收集相关参数即引射流体压力Pe、工作流体压力Pp、出口背压Pc和引射系数对引射流体压力、工作流体压力与出口背压进行归一化处理，使其到[0,1]之间，公式如下：

其中，k为归一化后的数据，x为被归一化数据，x_min为被归一化数据中的最小值，x_max为被归一化数据中最大值；

步骤二，神经网络结构的建立

根据输入输出参数，确定神经网络的输入输出层结点数，隐含层层数为一层，节点数根据经验公式：得出，其中l、n为输入、输出节点数，a为常数，判定神经网络的输入层节点数，输出层节点数，选取隐含层节点数、学习率、训练目标、循环次数设置和各层权值初始值；

步骤三，设置遗传算法初始参数

设置种群规模、进化次数、交叉概率和变异概率，将BP神经网络的权值与阈值组成遗传编码，重复运行步骤二中建立的神经网络并记录每次运行完成的遗传编码建立种群；

步骤四，建立评价函数，以每组染色体所构造的神经网络所预测的结果为依据，计算并记录对应的适应度值；

步骤五，遗传算法处理

a.选择操作：在旧群体中以一定概率选择个体用来产生下一代，个体被选中的概率与适应度值有关，适应度的值越好，被选中的概率就越大；

b.多父代交叉操作：是指从种群中选择多条父代染色体进行下一代染色体的建立，通过染色体的交叉组合，产生新的个体；

c.变异操作：是指从群体中任选一个个体，对所选择的染色体中某段编码进行变异以产生更优秀的个体；

步骤六，将新得到的染色体个体中的遗传编码进行解码，计算适应度，与原种群进行比较，优胜劣汰；重复步骤四-步骤五，不断的对种群中个体进行选择、交叉、变异操作并记录适应度值，达到进化次数上限；适应度最优解对应的染色体即为所建立的多父代BP-GA神经网络所对应的阈值与权值，对得到的多父代BP-GA神经网络进行训练，直至预测输出变量的误差小于给定值；

步骤七，在实际工程应用中，用多父代BP-GA神经网络对某给定的喷射器性能进行预测，测量实际状态下的输入变量，即引射流体压力p_e、工作流体压力p_p，通过多父代BP-GA神经网络喷射器性能预测模型得到预测参数，预测参数为出口背压p_c，引射系数将p_c进行反归一化得到改进BP-GA神经网络预测出口背压p_c实际值。

2.如权利要求1所述的基于采用多父代遗传算法的人工神经网络的喷射器性能预测方法，其特征在于：所述步骤二中，隐含层节点数的选取，学习率取0.1～0.2，训练目标取10^-3～10^-6，各层权值初始值取[-1,1]之间的随机数。

3.如权利要求1或2所述的基于采用多父代遗传算法的人工神经网络的喷射器性能预测方法，其特征在于：所述步骤三中，设置遗传算法初始参数，令种群规模取N₁，进化次数取N₂次，交叉概率设为20％～50％，变异概率设为1％～10％，每个个体由神经网络的权值与阈值组成，BP-GA神经网络拓扑结构为l-m-n，即输入层有l个节点，隐含层有m个节点，输出层有n个节点，共有l×m×n个权值，m+n个阈值，所以遗传算法个体染色体编码长度为l×m×n+m+n个；对步骤二建立的人工神经网络进行初步训练，用得到的权值、阈值组成染色体个体，重复N次得到N组染色体的个体并组成种群。

4.如权利要求1或2所述的基于采用多父代遗传算法的人工神经网络的喷射器性能预测方法，其特征在于：所述步骤四中，以每组染色体所构造的神经网络预测的结果为依据，计算并记录所对应的适应度值，预测结果越精确其对应的适应度值越小，适应度计算公式如下：

式中，F为适应度值，k为神经网络输出节点数；y_i为BP神经网络第i个节点的期望输出；o_i为第i个节点的预测输出；C为系数。