本发明专利技术提出一种火炮发射系统装置MA‑BP神经网络的稳定性评估预测方法，尤其涉及通过MA‑BP神经网络进行火炮发射系统装置稳定性评估及预测，属于军事舰载应用领域，目的是解决现有技术中无法及时确定火炮发射装置的作战稳定性及稳定性预测的问题。该方法通过使用智能算法与BP人工神经网络和支持向量机的结合方式完成火炮发射装置的故障监测和稳定性预测，包括BP神经网络预测和猴群算法MA优化两部分；发明专利技术将智能算法和人工智能手段融入至仿真中填补了人工智能在舰载武器上的应用较少；另外在通过本发明专利技术火炮发射装置的设计及计算应用，保证了炮口振动量并实现完成机械补偿装置，从自动化角度提高毁伤概率和性能。
Stability evaluation and prediction method of ma-bp neural network for gun launching system device
【技术实现步骤摘要】
火炮发射系统装置MA-BP神经网络的稳定性评估预测方法
本专利技术是一种火炮发射系统装置MA-BP神经网络的稳定性评估预测方法，尤其涉及通过MA-BP神经网络进行火炮发射系统装置稳定性评估及预测，属于军事舰载应用领域。
技术介绍
在当代大数据环境下，使用神经网络智能算法，具有实时性好和自学习功能，方便数值仿真和实验拟合，以及对结果进行对比验证分析，可以有效改善系统故障评测和系统工作性能，极大提高火炮发射装置在作战期间的实际效能。在信息传递分析及利用吸收的全链条过程中，智能算法对生活提供了非常多的帮助。比较成功的神经网络例如20世纪发现的bp神经网络和支持向量机等等，均可以对输入参数组进行预测和分类功能。并且基于上述的计算方法，发现了其收敛性较差、迭代速度慢等缺点，国内外的专家们研究了很多的智能算法，以遗传算法、粒子群算法、猴群算法、鱼群算法等仿生算法为代表。相对于传统的做法，仿生算法解决了传统做法的必须要人工处理数据的自动化不足问题、人为误差产生导致的准确性差等问题。因此在面对高射速火炮发射装置击发稳定性的预测问题及故障监测问题，面对多种类型的数据需要处理并对典型故障和实时稳定性分析等条件，使用仿生智能算法对bp神经网络进行优化并对火炮发射装置的击发稳定性进行预测诊断，以解决射速火炮发射装置击发稳定性预测及故障监测系统的准确性、快速性，以便于实际上舰使用，提高火炮发射装置的性能和稳定性。
技术实现思路
为了解决无法及时确定火炮发射装置的作战稳定性及稳定性预测的问题，本专利技术公开了火炮发射系统装置MA-BP神经网络的稳定性评估预测方法，本专利技术的具体方案如下：火炮发射系统装置MA-BP神经网络的稳定性评估预测方法，通过使用智能算法与BP人工神经网络和支持向量机的结合方式完成火炮发射装置的故障监测和稳定性预测，该方法包括BP神经网络预测部分和猴群算法MA优化部分；将两部分结合后具体步骤如下：步骤一，进行击发数据输入和数据预处理；步骤二，对炮口振动量进行预测确认；步骤三，确定神经网络模型；步骤四，初始化神经网络阈值和权值；步骤五，通过所述的猴群算法MA优化部分进行神经模型的优化；步骤六，确认并获取神经网络模型中最优权值和阈值；步骤七，通过神经网络模型完成炮口振动量的预测结果。进一步地，在步骤一中，所述的击发数据输入，是将身管初始温度T、击发次数n、击发速度w作为初始参数，形成初始参数组输入神经网络中。进一步地，在步骤二和三中，所述的炮口振动量预测及BP神经网络，包含输入层、隐含层和输出层，其中所述的输入层中每一个节点都有着对应的步骤一中的输入参数；所述的隐含层节点用来连接输入层和输出层；输出层中每一个节点都有着对应的经模型处理后的输出参数；从输入层到隐含层以及隐含层到输出层均为传递矩阵。进一步地，在步骤五中，所述的猴群算法MA优化部分将步骤四中炮口振动量初始化后的阈值和权值进行优化，具体优化步骤如下：步骤五一，获取火炮发射装置稳定性相关参数形成的数据组；步骤五二，使用带有稳定性预测功能的BP神经网络对相关参数进行预测，形成预测结果和误差参数；步骤五三，将火炮发射装置击发稳定性预测权值和阈值参数作为初始参数，导入至火炮发射装置炮口振动预测猴群算法中作为初始火炮发射装置击发参数猴群；步骤五四，进行爬山、观望和跳跃的遗传操作，形成新的火炮发射装置击发参数猴群，并计算火炮发射装置击发稳定性预测误差参数；步骤五五，判断是否达到结束条件，若可以结束，将迭代后的火炮发射装置击发稳定性预测权值和阈值参数作为最优参数，导入带有稳定性预测功能的BP神经网络；若未结束，继续迭代直到达到结束条件；步骤五六，进行火炮发射装置击发稳定性预测BP神经网络权值和阈值的更新，最终得到火炮发射装置在击发过程中实时稳定性预测的结果。进一步地，猴子指构成猴群的一个基本单位，具体指训练或者测试的火炮发射装置击发参数样本，在步骤五四中，所述的遗传操作过程细化为：步骤五四一，将火炮发射装置击发参数样本对应的猴子的位置标记；步骤五四二，进行爬山过程，将火炮发射装置击发参数样本在一个特定区域内进行优化；步骤五四三，进行观望过程，观望其他区域是否还有更优的位置来替代步骤五四一中猴子标记的位置；步骤五四四，进行跳跃过程，让火炮发射装置击发参数样本对应的火炮发射装置击发参数样本对应的猴子离开当前区域，找到一个新的区域；步骤五四五，最终当输出层节点几乎没有变化或者达到迭代最大次数时，停止迭代完成炮口振动量优化。进一步地，所述的观望过程，具体在于爬山结束后，每一个火炮发射装置击发参数样本对应的火炮发射装置击发参数样本对应的猴子都已经达到各自区域的火炮发射装置炮口振动量预测权值和阈值的最优位置，观望其他区域判断是否还有更优的位置来替代自己的位置，复上述步骤，直到找到满足条件的最优解。进一步地，在步骤五四五中，所述的跳跃过程具体为，首先，生成一个跳跃程度参数，再形成该火炮发射装置击发参数样本对应的猴子新的位置参数，重复上述步骤，直到找到满足条件的最优解。进一步地，通过BP神经网络，通过控制变量法来判断炮口振动量s随身管初始温度T、击发次数n和击发速度w之间的关系；并通过输入层的初始数据，将其按照数据编码的随机方式分成2个不同类型的组，一组为已知炮口振动量和其他参数形成的参数组，作为BP神经网络的训练内容形成相关性体系；另外一组为未知炮口振动量和相关参数形成的参数组，用来验证BP神经网络训练的结果准确性。本专利技术的有益效果体现在：1.火炮发射系统装置MA-BP神经网络的稳定性评估预测方法，针对火炮系统稳定性，将数据准确化、扩大化，由于利用人工智能算法和炮口振动量预测神经网络，在战局之中所处环境，火炮发射系统装置能更准确更迅速的做出反应；2.本专利技术将智能算法和人工智能手段融入至仿真中填补了人工智能在舰载武器上的应用较少，；另外在通过本专利技术火炮发射装置的设计及计算应用，保证了炮口振动量并实现完成机械补偿装置，从自动化角度提高毁伤概率和性能；3.避免了传统做法使用位移传感器对炮口振动量进行测量，当炮口振动量超过应有的范围时，操作员会通过手动调控受振动量影响，准确值无法保证的问题，本专利技术调整炮口振动量的值以提高火炮发射装置的作战稳定性，战争开始时就能确定火炮发射装置的作战稳定性。附图说明为了更清楚地说明本专利技术或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本专利技术中记载的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图：图1为猴群算法优化BP神经网络数据流程图；图2为火炮发射装置炮口振动量预测BP神经网络的基本模型图；图3为BP神经网络对炮口振动量的预测流程图；图4为BP神经网络对炮口振动量的本文档来自技高网...
【技术保护点】
1.火炮发射系统装置MA-BP神经网络的稳定性评估预测方法，其特征在于：通过使用智能算法与BP人工神经网络和支持向量机的结合方式完成火炮发射装置的故障监测和稳定性预测，该方法包括BP神经网络预测部分和猴群算法MA优化部分；/n两部分结合后具体步骤如下：/n步骤一，进行击发数据输入和数据预处理；/n步骤二，对炮口振动量进行预测确认；/n步骤三，确定神经网络模型；/n步骤四，初始化神经网络阈值和权值；/n步骤五，通过所述的猴群算法MA优化部分进行神经模型的优化；/n步骤六，确认并获取神经网络模型中最优权值和阈值；/n步骤七，通过神经网络模型完成炮口振动量的预测结果。/n
【技术特征摘要】
1.火炮发射系统装置MA-BP神经网络的稳定性评估预测方法，其特征在于：通过使用智能算法与BP人工神经网络和支持向量机的结合方式完成火炮发射装置的故障监测和稳定性预测，该方法包括BP神经网络预测部分和猴群算法MA优化部分；
两部分结合后具体步骤如下：
步骤一，进行击发数据输入和数据预处理；
步骤二，对炮口振动量进行预测确认；
步骤三，确定神经网络模型；
步骤四，初始化神经网络阈值和权值；
步骤五，通过所述的猴群算法MA优化部分进行神经模型的优化；
步骤六，确认并获取神经网络模型中最优权值和阈值；
步骤七，通过神经网络模型完成炮口振动量的预测结果。
2.根据权利要求1所述的火炮发射系统装置MA-BP神经网络的稳定性评估预测方法，其特征在于：在步骤一中，所述的击发数据输入，是将身管初始温度T、击发次数n、击发速度w作为初始参数，形成初始参数组输入神经网络中。
3.根据权利要求2所述的火炮发射系统装置MA-BP神经网络的稳定性评估预测方法，其特征在于：在步骤二和三中，所述的炮口振动量预测及BP神经网络，包含输入层、隐含层和输出层，其中所述的输入层中每一个节点都有着对应的步骤一中的输入参数；所述的隐含层节点用来连接输入层和输出层；输出层中每一个节点都有着对应的经模型处理后的输出参数；从输入层到隐含层以及隐含层到输出层均为传递矩阵。
4.根据权利要求3所述的火炮发射系统装置MA-BP神经网络的稳定性评估预测方法，其特征在于：在步骤五中，所述的猴群算法MA优化部分将步骤四中炮口振动量初始化后的阈值和权值进行优化，具体优化步骤如下：
步骤五一，获取火炮发射装置稳定性相关参数形成的数据组；
步骤五二，使用带有稳定性预测功能的bp神经网络对相关参数进行预测，形成预测结果和误差参数；
步骤五三，将火炮发射装置击发稳定性预测权值和阈值参数作为初始参数，导入至火炮发射装置炮口振动预测猴群算法中作为初始火炮发射装置击发参数猴群；
步骤五四，进行爬山、观望和跳跃的遗传操作，形成新的火炮发射装置击发参数猴群，并计算火炮发射装置击发稳定性预测误差参数；
步骤五五，判断是否达到结束条件，若可以结束，将迭代后的火炮发射装置击发稳定性预测权值和阈值参数作为最优参数，导入带有稳定性...
【专利技术属性】
技术研发人员：葛杨，曹渊，刘广浩，陈建华，唐嘉钰，
申请(专利权)人：哈尔滨工程大学，
类型：发明
国别省市：黑龙江;23
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。