The invention discloses a method for predicting storage reliability of ammunition particle swarm optimization based on BP neural network, the particle swarm optimization algorithm combined with BP neural network, and applied to the prediction of ammunition storage reliability, avoid defects and solve the existing intelligent algorithm of BP neural network convergence speed is slow, easy to fall into local optimal solution the problem. The planning steps: ammunition as the research object, the ammunition storage reliability prediction as the research object, according to the change rule of ammunition storage reliability data, a neural network prediction model of ammunition storage reliability prediction; further selected global intelligent optimization algorithm PSO, the establishment of PSO BP neural network prediction model, BP neural network optimization the weights and thresholds, so as to achieve the ammunition storage reliability prediction accuracy.
【技术实现步骤摘要】
基于粒子群优化BP神经网络的弹药贮存可靠性预测方法
本专利技术涉及弹药贮存可靠性
,具体涉及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。
技术介绍
贮存寿命是弹药的一个非常重要的技术指标,对弹药贮存寿命的评估也是一项非常重要的工作,为了准确获得弹药贮存可靠性的状况,确保弹药安全贮存和随时提供性能良好的弹药,就必须进行弹药贮存寿命的研究,因此对弹药贮存可靠性进行科学预测是非常必要的。早在70年代初,世界各国就开始了对弹药贮存可靠性的研究;近些年国内外学者对弹药贮存可靠性的预测方法进行了大量研究,包括基于正常应力贮存寿命试验数据评估法、基于加速寿命试验数据评估法、基于马尔可夫过程、基于模型预测法、基于模糊数预测法、基于人工神经网络的评估方法及基于神经网络组合模型的预测方法等,有学者对武器系统的贮存寿命预测方法进行了研究,结果验证了神经网络预测模型更优,但是由于神经网络收敛速度慢,容易陷入局部极小值,提出基于神经网络组合模型的预测方法;同时,有很多学者对BP算法进行了大量的改进,但所得到的收敛速度和精度是有限的,容易陷入局部最优解。近年来,国内外的许多学者和专家把全局优化性能的群智能优化算法迭代BP神经网络,如遗传算法、粒子群算法等,这些算法可以克服BP算法的缺陷。但是,智能算法本身又有内在的缺陷。比如智能优化方法中研究最成熟的遗传算法,从理论上它可以解决各种复杂问题,事实上遗传算法因具有复杂的遗传操作使得网络训练时间和复杂程度出现指数级增长,同时算法也缺乏局部区域的有效搜索机制,在后期收敛速度缓慢可能有停滞现象出现。目前,在其他领域中,学者已 ...
【技术保护点】
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:
【技术特征摘要】
1.一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...
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。