[发明专利]基于粒子群优化BP神经网络的弹药贮存可靠性预测方法

摘要

本发明公开了一种基于粒子群优化BP神经网络的弹药贮存可靠性预测方法，主要将粒子群优化算法与BP神经网络相结合，并运用到弹药贮存可靠性预测领域，避免智能算法自身缺陷和解决现有BP神经网络收敛速度慢，容易陷入局部最优解的问题。其规划步骤为以弹药为研究对象，以弹药贮存可靠性的预测为研究目标，根据弹药贮存可靠性数据的变化规律，建立神经网络预测模型对弹药贮存可靠性进行预测；进一步选取全局智能优化算法PSO，建立PSO‑BP神经网络预测模型，优化BP神经网络的权值和阈值，从而达到弹药贮存可靠性预测的精度。

主权项

一种基于粒子群算法优化BP网络对弹药贮存可靠性预测方法，其特征在于包括如下几个步骤：（1）参数初始化设置，分为两部分：第一部分是BP网络的参数设置，根据输入数据和输出数据，确定BP网络的输入、输出节点数和隐含层数以及其节点数；第二部分是粒子群算法的参数设置，设置粒子个数，粒子初始位置和速度以及它们的范围，最大迭代次数，学习因子c1和c2等参数；惯性权重采用由shi提出的线性递减权重策略，即惯性权重W：，式中，, （2）计算粒子的初始适应度值。网络正向传播过程中得到的误差是均方误差，即粒子群算法的适应度函数为均方误差公式，本发明中只讨论网络输出层节点数为1的情况，其适应度函数形式：，式中，N表示训练的样本组数；表示第i个样本的网络输出节点的期望输出值；表示第i个样本的网络输出节点的实际输出值；根据给出的适应度函数计算各个粒子在解空间内的适应值矩阵，得到个体最优适应度值和全局最优适应度值，找到最优粒子的位置。（3）将每一个粒子的适应度值与个体最优适应度值和全局最优适应度值作比较，以判断当前位置的优劣，并确定粒子位置的个体最优和全局最优；①粒子的适应度值分别与个体最优值pbest、全局最优值gbest相比较，若粒子当前适应度值优于个体最优适应度值，则将当前值作为个体最优适应度值，并用粒子的当前位置代替历史的个体最优位置；②若粒子中的当前个体最优适应度值优于历史的全局最优值，则将当前个体最优位置作为该粒子的全局最优位置，即全局最优值是个体最优中的最好值；（4）更新每个粒子在每维度里的速度和位置，更新的方式如下公式所示：其中，i=1,2,…,N；N是粒子群规模；d=1,2,…,D；为粒子i个体最优位置pbest的第d维分量；为粒子群中最优值gbest的第d维分量；c1是认知部分的加速因子；c2是社会部分的加速因子；rand()是[0,1]之间的随机数；惯性权重w是一个非负数；表示第t次迭代后粒子i飞翔速度的第d维分量；表示第t次迭代后粒子i位置的第d维分量。（5）将上述粒子群算法更新得到的全局最优映射到BP神经网络的初始权值和阈值，然后进行网络的训练；在BP神经网络反向传播过程中利用PSO算法优化的权值和阈值，迭代循环训练进一步调节权值和阈值，当满足迭代次数达到最大值或训练误差小于期望设定值，则结束循环训练，输出结果；否则转到（2），继续循环执行上述步骤；（6）利用测试样本进行BP神经网络的测试，输入测试样本，利用上述训练好的网络进行仿真，将输出结果与期望设定值作比较，从而得出测试效果。