[发明专利]基于BP神经网络算法对涂层老化的分析方法

权利要求书

1.基于BP神经网络算法对涂层老化的分析方法，其由信号的正向传播与误差的反向传播过程组成；正向传播是，输入样本从输入层传入，经各隐层逐层处理后，传向输出层；若输出层的实际输出与期望的输出不符，则转入误差的反向传播阶段；误差反传是将输出误差以某种形式通过隐层向输入层逐层反传，并将误差分摊给各层的所有单元，从而获得各层单元的误差信号，此误差信号即作为修正各单元权值的依据；这种信号正向传播与误差反向传播的各层权值调整过程，是周而复始地进行，此过程一直进行到网络输出的误差减少到可接受的程度，或进行到预先设定的次数为止；

三层前馈网中，输入向量为X＝(x₁，x₂，L，x_i，L，x_n)^T；如加入x₀＝-1，可为隐层神经元引入阈值；隐层输出向量为Y＝(y₁，y₂，L，y_i，L，y_m)^T，如加入y₀＝-1，可为输出层神经元引入阈值；输出层输出向量为O＝(o₁，o₂，L，o_k，L，o_j)^T；期望输出向量为D＝(d₁，d₂，L，d_k，L，d_j)^T；输入层到隐层之间的权值矩阵用V表示；V＝(v₁，v₂，L，v_j，L，x_m)；其中列向量V_j为隐层第j个神经元对应的权向量；隐层到输出层之间的权值矩阵用W表示，W＝(w₁，w₂，L，w_k，L，w_i)，其中列向量W_k为输出层第k个神经元对应的权向量；

网络误差与权值调整原理：

当网络输出与期望输出不等时，存在输入误差E，定义如下：

E=12(d-O)2=12Σk=1l(dk-ok)2]]>

将误差展开至隐层有：

E=12Σk=1l[dk-f(netk)]2=12Σk=1l[dk-f(Σj=0mwjk-yj)]2]]>

展开到输入层有：

E=12Σk=1l{dk-f[Σj=0mwjkf(netj)]}2-12Σk=1l[dk-f(Σj=0mwjkf(vijxi)]}2]]>

网络误差是各层权值函数，调整权重来改变误差，最终Δw＝η(δoY^T)^T，Δv＝η(δoX^T)^T；η是(0，1)之间的常数；δ为学习信号，一般采取梯度下降法

将老化外因设为BP网络输入变量X，各输入变量之间相对独立，并且将输入变量转化为[0，1]之间。

x‾i=xi-xminxmax-xmin]]>

其中x_i为输入数据，x_max和x_min分别为最大输入和最小输入。

老化结果作为网络输出变量Y，传递函数为连续性Sigmoid型，输出值为(0，1)之间。

通过对试验数据的处理，将实验数据分为网络训练样本和检验样本；

其特征在于：

(1)、增加动量项ΔW(t)＝ηδX+αΔW(t-1)，α为动量因子α∈(0，1)；

(2)、自适应调节学习速率，若经过一批次权值调整后总误差E上升，η＝βη(θ＞0)，若经过一批次权值调整后总误差E下降，η＝θη(θ＞0)；

(3)、引入陡度因子，当误差曲面进入平坦区域时，设改变输出量，λ为陡度因子，在平坦区时λ＞1，退出平坦区后λ＝1。

2.根据权利要求1所述基于BP神经网络算法对涂层老化的分析方法，其特征在于：在人工加速老化实验中，温度恒定60℃，只研究时间和紫外线辐射量两种老化因素对涂料保光率和色差的影响，输入层和输出层神经元均为2，根据神经元隐层设计经验公式：其中，m为输出神经元数，n为输入单元数，α为[1，10]之间的常数；

所述的网络隐层神经元在3-12之间，通过误差对比，最终确定最佳的隐含层神经元个数，并检验隐含层神经元个数对网络性能的影响。