一种基于快速学习率的RBF评估舰载机出动能力的方法技术

本发明专利技术涉及一种基于快速学习率的RBF评估舰载机出动能力的方法。根据舰载机出动能力指标体系模型生成器所建立的指标体系，生成指定数量的待评估样本，用于训练基于快速学习率的RBF神经网络，经过RBF隐含层神经元增减判别器判别后调整隐含层神经元数量，然后实现权重的鲁棒调节和神经网络学习率的自适应快速调节，最终实现舰载机出动能力快速评估。利用快速学习率的RBF神经网络的非线性映射能力来评估复杂非线性的舰载机出动能力，可以避免传统的评估方法主观性较强和评估过程复杂。通过评估值与阈值的比较来增减隐含层神经元数量更加合理，快速学习率和鲁棒算法保证神经网络更快的学习速率和稳定性。本发明专利技术通过仿真实验验证了评估方法的有效性。

【技术实现步骤摘要】
一种基于快速学习率的RBF评估舰载机出动能力的方法(一)
本专利技术是一种基于快速学习率的RBF评估舰载机出动能力的方法。(二)
技术介绍
航母是现代海上作战的重要组成，随着各国对海洋安全的重视，研究其作战能力成为新的热点。航母作战能力主要体现为舰载机的出动能力，对舰载机出动能力评估有利于提高其作战能力。因此，评估舰载机出动能力具有重要的理论意义和应用价值。由于舰载机出动能力评估非常复杂，各个因素之间相互影响，错综复杂的关系制约有效的评估。而神经网络通过自学习和自适应，能够建立更加接近人类思维模式的定性和定量相结合的评估模型。学习好的神经网络把专家的评估思想以连接权的方式赋予网络上，这样该网络不仅可以模拟专家进行定量评估，而且避免了评估过程中的人为失误以及人为计取权重的主观影响和不确定性。基于径向基函数(RBF)神经网络的评估方法具有运算速度快、问题求解效率高、自学习能力强、适用面宽等优点，因而具有广阔的应用背景。但是在RBF神经网络的应用过程中存在一些问题。首先，RBF神经网络的结构设计问题。常见的自组织RBF神经网络方法有：1)剪枝法，该算法被公认为是优化网络结构、提高网络泛化能力的有效办法，但是设定剪枝法的参数需要一定的经验和技巧。2)增长法，该方法通过不断增加节点和连接，但是很难确定何时停止增长，易造成过度拟合的现象。3)增长剪枝联合算法，许昌，2007将改进的最小资源分配网络应用到神经网络自适应控制器中，但是该方法结构较复杂，计算时间长，因此在实际应用时会受到限制，难以满足实时性要求。FengRB，2017提出了一种基于容错算法的RBF神经网络，但是该算法利用全局搜索，因此整体的学习速度将受到影响。OhSK，2016提出了一种基于多项式的RBF神经网络算法，RBF神经网络的基本的设计参数，包括学习率、动量、模糊化系数和特征选择机制等，通过差分进化的方法进行了优化。但是该算法没有考虑隐含层神经元之间的关系，容易出现过度拟合的情况。张琨，2014提出一种基于Lyapunov函数方法的RBF神经网络自适应补偿控制策略，该算法需要大量样本来训练神经网络，不适合难以获得大量样本的情况。DingSF，2014提出了一种模糊RBF神经网络，该算法忽略了神经网络参数的调整，导致了该算法的学习和收敛速度较慢。WuST，2004利用分裂网格算法实现了自组织RBF神经网络的调整，但是该方法的结构调整过程和参数设置方法较复杂，影响了神经网络的学习速率。其次，RBF神经网络的权重学习方法和学习率的问题。目前，RBF神经网络权重的学习通常采用线性最小二乘算法，但是最小二乘法受干扰的影响较大。同时，对于RBF神经网络的学习率的设置问题，在RBF神经网络的使用中，学习率通常是固定的。但是，其过大时，会导致网络的不稳定；而过小会减慢收敛速度，无法满足实时性的要求。(三)
技术实现思路
本专利技术的目的在于提供一种基于快速学习率的RBF评估舰载机出动能力的方法。本专利技术的目的是这样实现的：本专利技术的基于快速学习率的RBF评估舰载机出动能力的方法包括舰载机出动能力指标体系模型生成器(1)，舰载机出动能力指标标准化模块(2)，AHP评估样本生成器(3)，RBF隐含层神经元增减判别器(4)，RBF隐含层神经元增加模块(5)，RBF隐含层神经元减少模块(6)，RBF权重调节器(7)，RBF快速学习率调节器(8)，RBF训练终止判别器(9)，舰载机出动能力RBF评估结果测试器(10)，舰载机出动能力评估结果分析器(11)。根据舰载机出动能力指标体系模型生成器(1)所建立的指标体系，生成指定数量的待评估样本，待评估样本经过舰载机出动能力指标标准化模块(2)转换为标准的样本值，利用AHP评估样本生成器(3)对标准的样本值进行评估，评估结果的一部分作为训练样本，其余作为测试样本，训练样本用于RBF神经网络的训练，若经过RBF隐含层神经元增减判别器(4)计算隐层的兴奋程度函数，判别后需要增加隐含层神经元，利用RBF隐含层神经元增加模块(5)实现隐含层神经元增加功能，确定新增加的隐含层神经元数据中心、扩展常数和输出权重，反之，经过RBF隐含层神经元增减判别器(4)计算标准化评估值函数，若判别后需要减少隐含层神经元，则利用RBF隐含层神经元减少模块(6)实现隐含层神经元减少功能，确定减少的隐含层神经元的数据中心、扩展常数和权重，然后利用RBF权重调节器(7)实现权重的鲁棒调节，继续利用RBF快速学习率调节器(8)实现神经网络学习率的自适应快速调节，根据RBF训练终止判别器(9)的训练结果与训练样本的比较，判断训练终止条件，若没有达到训练精度，则返回RBF隐含层神经元增减判别器(4)再次训练，否则确定隐含层神经元数据中心、扩展常数和权重，进行下一步测试，利用舰载机出动能力RBF评估结果测试器(10)和测试样本对训练好的神经网络进行测试，并利用舰载机出动能力评估结果分析器(11)对评估误差进行分析，实现舰载机出动能力快速评估。基于本专利技术的快速学习率的RBF评估舰载机出动能力的方法为：1)若经过RBF隐含层神经元增减判别器(4)判别后需要增加隐含层神经元，利用RBF隐含层神经元增加模块(5)实现隐含层神经元增加功能，反之，若判别后需要减少隐含层神经元，则利用RBF隐含层神经元减少模块(6)实现隐含层神经元减少功能，；2)利用RBF权重调节器(7)实现权重的鲁棒调节；3)利用RBF快速学习率调节器(8)实现神经网络学习率的自适应快速调节。此专利技术的优点在于利用快速学习率的RBF神经网络的非线性映射能力来评估复杂非线性的舰载机出动能力，可以避免传统的评估方法主观性较强和评估过程复杂的特点。快速学习率的RBF能够增减隐含层神经元数量，实现网络结构自组织。权重调节采用鲁棒方法能够减弱干扰的影响。为了解决固定的学习率需要人工手动调整的问题，提出一种快速学习率，通过学习率的迭代自学习，使得网络稳定，并提高收敛速度。本专利技术的评估方法与同类评估方法相比，快速学习率的RBF神经网络通过评估值与阈值的比较来增减隐含层神经元数量更加合理，快速学习率和鲁棒算法保证神经网络更快的学习速率和稳定性。本专利技术通过仿真实验验证了评估方法的有效性。(四)附图说明图1为基于快速学习率的RBF评估舰载机出动能力的方法总体结构图；图2为舰载机出动能力指标体系；图3为RBF神经网络的拓扑结构；图4为隐含层神经元增加；图5为取消隐层到输出层的关系；图6为3种神经网络的学习偏差；图7为3种神经网络和实际的评估输出值；图8为3种神经网络的评估误差。在图1中各数字代表的装置如下：1—舰载机出动能力指标体系模型生成器；2—舰载机出动能力指标标准化模块；3—AHP评估样本生成器；4—RBF隐含层神经元增减判别器；5—RBF隐含层神经元增加模块；6—RBF隐含层神经元减少模块；7—RBF权重调节器；8—RBF快速学习率调节器；9—RBF训练终止判别器；10—舰载机出动能力RBF评估结果测试器；11—舰载机出动能力评估结果分析器。(五)具体实施方式下面对本专利技术进行详细描述：如图1所示，本专利技术的一种基于快速学习率的RBF评估舰载机出动能力的方法包括舰载机出动能力指标体系模型生成器(1)，舰载机出动能力指标标准化模块(2本文档来自技高网...

【技术保护点】
1.一种基于快速学习率的RBF评估舰载机出动能力的方法，包括舰载机出动能力指标体系模型生成器(1)，舰载机出动能力指标标准化模块(2)，AHP评估样本生成器(3)，RBF隐含层神经元增减判别器(4)，RBF隐含层神经元增加模块(5)，RBF隐含层神经元减少模块(6)，RBF权重调节器(7)，RBF快速学习率调节器(8)，RBF训练终止判别器(9)，舰载机出动能力RBF评估结果测试器(10)，舰载机出动能力评估结果分析器(11)，其特征在于：根据舰载机出动能力指标体系模型生成器(1)所建立的指标体系，生成指定数量的待评估样本，待评估样本经过舰载机出动能力指标标准化模块(2)转换为标准的样本值，利用AHP评估样本生成器(3)对标准的样本值进行评估，评估结果的一部分作为训练样本，其余作为测试样本；训练样本用于RBF神经网络的训练，若经过RBF隐含层神经元增减判别器(4)计算隐层的兴奋程度函数，判别后需要增加隐含层神经元，利用RBF隐含层神经元增加模块(5)实现隐含层神经元增加功能，确定新增加的隐含层神经元数据中心、扩展常数和输出权重，反之，经过RBF隐含层神经元增减判别器(4)计算标准化评估值函数，若判别后需要减少隐含层神经元，则利用RBF隐含层神经元减少模块(6)实现隐含层神经元减少功能，确定减少的隐含层神经元的数据中心、扩展常数和权重；然后利用RBF权重调节器(7)实现权重的鲁棒调节，继续利用RBF快速学习率调节器(8)实现神经网络学习率的自适应快速调节；根据RBF训练终止判别器(9)的训练结果与训练样本的比较，判断训练终止条件，若没有达到训练精度，则返回RBF隐含层神经元增减判别器(4)再次训练，否则确定隐含层神经元数据中心、扩展常数和权重，进行下一步测试，利用舰载机出动能力RBF评估结果测试器(10)和测试样本对训练好的神经网络进行测试，并利用舰载机出动能力评估结果分析器(11)对评估误差进行分析，实现舰载机出动能力快速评估。...

【技术特征摘要】
1.一种基于快速学习率的RBF评估舰载机出动能力的方法，包括舰载机出动能力指标体系模型生成器(1)，舰载机出动能力指标标准化模块(2)，AHP评估样本生成器(3)，RBF隐含层神经元增减判别器(4)，RBF隐含层神经元增加模块(5)，RBF隐含层神经元减少模块(6)，RBF权重调节器(7)，RBF快速学习率调节器(8)，RBF训练终止判别器(9)，舰载机出动能力RBF评估结果测试器(10)，舰载机出动能力评估结果分析器(11)，其特征在于：根据舰载机出动能力指标体系模型生成器(1)所建立的指标体系，生成指定数量的待评估样本，待评估样本经过舰载机出动能力指标标准化模块(2)转换为标准的样本值，利用AHP评估样本生成器(3)对标准的样本值进行评估，评估结果的一部分作为训练样本，其余作为测试样本；训练样本用于RBF神经网络的训练，若经过RBF隐含层神经元增减判别器(4)计算隐层的兴奋程度函数，判别后需要增加隐含层神经元，利用RBF隐含层神经元增加模块(5)实现隐含层神经元增加功能，确定新增加的隐含层神经元数据中心、扩展常数和输出权重，反之，经过RBF隐含层神经元增减判别器(4)计算标准化评估值函数，若判别后需要减少隐含层神经元，则利用RBF隐含层神经元减少模块(6)实现隐含层神经元减少功能，确定减少的隐含层神经元的数据中心、扩展常数和权重；然后利用RBF权重调节器(7)实现权重的鲁棒调节，继续利用RBF快速学习率调节器(8)实现神经网络学习率的自适应快速调节；根据RBF训练终止判别器(9)的训练结果与训练样本的比较，判断训练终止条件，若没有达到训练精度，则返回RBF隐含层神经元增减判别器(4)再次训练，否则确定隐含层神经元数据中心、扩展常数和权重，进行下一步测试，利用舰载机出动能力RBF评估结果测试器(10)和测试样本对训练好的神经网络进行测试，并利用舰载机出动能力评估结果分析器(11)对评估误差进行分析，实现舰载机出动能力快速评估。2.根据权利要求1所述的一种基于快速学习率的RBF评估舰载机出动能力的方法，其特征在于：所述的待评估样本经过舰载机出动能力指标标准化模块(2)转换为标准的样本值指：1)当评估值越大舰载机出动能力越好时，按照进行归一化；2)当评估值越小舰载机出动能力越好时，按照进行归一化。式中，X为标...

【专利技术属性】
技术研发人员：栾添添，孙明晓，
申请(专利权)人：哈尔滨理工大学，
类型：发明
国别省市：黑龙江,23