[发明专利]基于采用深度Adaboost算法的BP人工神经元网络的喷射器性能的预测方法

摘要

一种基于深度BP‑Adaboost神经网络的喷射器性能预测方法，对于给定的喷射器，收集相关参数：根据神经网络拓扑结构，确定神经网络输入层、隐含层和输出层的神经元个数；输入样本开始对步骤二建立的神经网络进行训练，重复训练若干次，每次训练完毕则形成一个弱分类器，记录每次训练结果的误差；建立强分类函数，将弱分类器进行合并形成强分类器；根据预测效果分配对应的权重建立超强分类函数，将强分类器进行合并得到超强分类器，超强分类器为深度BP‑Adaboost神经网络；采集给定喷射器的实测数据，输入到建立完成的深度BP‑Adaboost神经网络中，得到输出向量即得到预测值。本发明预测精度较高、耗时较短。

主权项

一种基于采用深度Adaboost算法的BP人工神经元网络的喷射器性能的预测方法，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，xmin为被归一化数据中的最小值，xmax为被归一化数据中最大值；步骤二：根据神经网络拓扑结构，确定神经网络输入层、隐含层和输出层的神经元个数，对神经网络权值和阈值进行初始化，确定学习率、训练目标和循环次数；步骤三：输入样本开始对步骤二建立的神经网络进行训练，重复训练若干次，每次训练完毕则形成一个弱分类器，记录每次训练结果的误差；步骤四：根据每次训练的效果计算权重，在更新训练数据权重时，对于分类失败的训练个体赋予较大权重，下一次迭代运算时更加关注这些训练个体；在合并成强分类器时，则对效果不理想的弱分类器分配较小的权重，而效果理想的弱分类器则分配更大的权重；建立强分类函数h1(x)，将弱分类器进行合并，形成强分类器；步骤五：重复步骤二至步骤四建立若干个强分类器，在对强分类器进行合并时，根据预测效果分配对应的权重，建立超强分类函数h2(x)，将强分类器进行合并得到超强分类器，最终该超强分类器即为最终所求的深度BP‑Adaboost神经网络；步骤六：在工程实际应用中，采集给定喷射器的实测数据，包括引射流体压力Pe、工作流体压力Pp；按步骤一的方法将数据进行归一化处理，然后再输入到建立完成的深度BP‑Adaboost神经网络中，得到输出向量出口背压Pc和引射系数再将出口背压进行反归一化处理，即得到预测值。