[发明专利]一种基于混合神经网络算法的用于复杂工业产品性能评估方法

摘要

本发明公开了一种基于混合神经网络算法的用于复杂工业产品性能评估方法。首先确定HNN结构参数；其次初始化每层神经元连接权重和隶属度函数特征点，设置误差限值、迭代次数，学习速率和动量因子；然后将输入的模糊样本数据进行量化和归一化，定量数值进行归一化；在反复迭代中计算各层神经元学习误差导数、修正连接权重、采用一种梯度下降方法调整隶属度度特征点；反复迭代直至达到设定误差，最后HNN算法给出该复杂工业产品定量的性能预测结果。该HNN算法为实际情况中基于定性、定量、定性定量结合的三种数据输入、输入数据项维数可能不同的复杂工业性能评估问题提供一种具有良好预测准确度的解决方案。

主权项

1.一种基于混合神经网络算法的用于复杂工业产品性能评估方法，包括以下几个步骤：步骤一：根据输入的复杂工业产品的性能数据属性，确定混合神经网络结构参数；混合神经网络即HNN的结构参数为：表1 HNN各层神经元数量各层神经元数量输入层神经元输入数据集中数据属性的个数为A输入层“隶属度网络”神经元每个输入样本中模糊类型数据的个数为B中间层神经元A+B输出层神经元1步骤二：初始化HNN权重和模糊输入对应的隶属度网络模块中的隶属度函数特征点、HNN学习速率和动量因子；步骤三：量化并归一化每一个模糊输入；归一化量化的输入数据；对于输入数据集中的模糊型数据，利用隶属度网络将其转化为固定区间内的量化数值并进行归一化；对于相差较大的定量数据数值，为消除数值的分布差异，从而提高运算效率，HNN采用最大‑最小方法对其进行归一化；步骤四：获得对应输入数据的本次定量预测结果；步骤五：判断HNN预测误差是否达到了设定的误差限值，若未达到，则进行步骤六，若达到，则进行步骤九；步骤六：采用BP神经网络监督学习方式来求解各层神经元的学习误差导数；步骤七：修正各层网络中神经元的连接权重；步骤八：调整隶属度函数的特征点，返回步骤四；根据隶属度网络中空白层神经元的学习误差导数调整隶属度函数特征点；步骤九：将预测结果量化到[0,1]范围内，并根据复杂工业产品性能数据对应的性能评定结果等级，给出预测结果。