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

本发明专利技术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。

Ammunition storage reliability prediction method based on particle swarm optimization BP neural network

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，学者已经提出使用粒子群优化算法与BP神经网络相结合进行预测，PSO算法具有只有速度—位移模型简单操作的特性，只要根据自己的速度就可以来决定搜索方向，可以避免遗传算法上的缺陷，并可用于多目标化、任务分配、模式分类和高维复杂的数据处理等优化问题。由于PSO算法发展时间较短，理论基础和应用推广还需要进一步深入研究，国内外将PSO算法与BP神经网络相结合应用到贮存可靠性的预测，有关文献还很少；特别是将PSO算法优化神经网络模型运用到弹药贮存可靠性预测的这一特殊领域，目前国内外还未查到有关文献。因此希望有一种基于PSO算法优化BP网络对弹药贮存可靠性预测方法，可以克服或至少减轻现有技术的上述缺陷。
技术实现思路
本专利技术要解决的技术问题是针对现有技术中的不足，提出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，在算法中选取全局智能优化算法PSO优化具有全局的网络参数，弥补BP神经网络收敛速度慢、易陷入局部极小等缺陷，达到弹药贮存可靠性预测的精度。为了达到上述目的，本专利技术的基于一种粒子群优化BP神经网络的弹药贮存可靠性预测方法。首先，利用弹药贮存可靠性数据的变化规律，建立神经网络预测模型；进一步，利用全局智能优化算法PSO优化BP神经网络的权值和阈值，进行弹药贮存可靠性预测。具体过程包括如下几个步骤：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，式中，,式中是惯性权重，为PSO算法中最大迭代次数，t为当前迭代次数；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，本专利技术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。本专利技术的基于粒子群优化BP神经网络的弹药贮存可靠性预测方法针对基本BP神经网络算法存在的问题从以下两点进行了改进：（1）对BP学习算法的训练函数分别采用动量BP法和变学习率BP法，加快BP神经网络的学习速度，提高BP神经网络的学习效率。（2）利用粒子群优化算法调节和优化具有全局的网络参数，即权值和阈值，用神经网络学习方法优化具有局部性的参数，避免了易陷入局部极小的缺陷，提高收敛速度，以达到预测精度。附图说明图1为本专利技术的基于粒子群优化BP神经网络的弹药贮存可靠性预测方法的流程图；图2为变学习率BP网络误差变化曲线；图3为PSO-变学习率BP网络误差变化曲线；图4为动量BP网络误差变化曲线；图5为PSO-动量BP网络误差变化曲线；图6为变学习率BP网络准确率曲线；图7为PSO-变学习率BP网络准确率曲线；图8为动量BP网络准确率曲线；图9为PSO-动量BP网络准确率曲线；图10为各网络预测误差值比较曲线。具体实施方法为使本专利技术实施的目的、技术方案和优点更加清楚，下面将结合被专利技术实施例中的附图，对本专利技术实施例中的技术方案进行更加详细的描述。本实施例的基于粒子群优化BP神经网络的弹药贮存可靠性预测方法，具体包括以下步骤。1.参数初始化设置，分两部分：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，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，本文档来自技高网...

【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...

【专利技术属性】
技术研发人员：宫华，刘芳，冯丹，
申请(专利权)人：沈阳理工大学，
类型：发明
国别省市：辽宁,21