【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...
【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。