[发明专利]基于粒子群优化BP神经网络的惯容器力学性能预测方法

权利要求书

1.基于粒子群优化BP神经网络的惯容器力学性能预测方法，其特征在于，包括如下步骤：

（1）进行惯容器的力学性能试验，通过装入不同质量的飞轮，获取惯容器在不同惯容系数和不同激振输入下的力学响应； 

（2）根据试验结果得到与惯容器力学性能相关的试验数据，并建立基于BP神经网络的惯容器力学性能预测模型； 

（3）将BP网络的权值和阈值定义为粒子群搜索空间中的一个粒子，并对算法的相关参数进行初始化；

（4）基于粒子群优化算法对粒子进行迭代寻优，根据结束条件确定最优个体，并将其作为BP网络的权值和阈值；

（5）利用经过优化的BP网络来预测惯容器的力学性能。

2.根据权利要求1所述的基于粒子群优化BP神经网络的惯容器力学性能预测方法，其特征在于，所述步骤（1）中的激振输入为正弦周期输入，每次输入采用不同的频率和相应的振幅。

3.根据权利要求1所述的基于粒子群优化BP神经网络的惯容器力学性能预测方法，其特征在于，所述步骤（2）中的惯容器力学性能预测模型为三层BP网络，其中输入层、隐含层、输出层的神经元数目分别为4、5、1；所述隐含层神经元的传递函数为双曲正切S型函数，输出层神经元的传递函数为线性传递函数；所述模型的输入为惯容系数以及惯容器在多个瞬态时间点下的位移、速度和加速度，输出为惯容器输出力。

4.根据权利要求3所述的基于粒子群优化BP神经网络的惯容器力学性能预测方法，其特征在于，所述惯容器的位移是通过激振台实时保存直接获得，在此基础上对位移输入进行曲线拟合，然后对曲线方程进行差分求导，便可获得所述惯容器的速度和加速度；所述多个瞬态时间点是指对试验数据进行均匀采样，采样周期为两个周期，每个周期下的采样频率为12Hz。

5.根据权利要求1所述的基于粒子群优化BP神经网络的惯容器力学性能预测方法，其特征在于，所述步骤（4）中的结束条件为达到迭代次数或者网络误差满足最小误差要求。

6.根据权利要求5所述的基于粒子群优化BP神经网络的惯容器力学性能预测方法，其特征在于，所述网络误差的计算过程包括如下步骤：

（1）将粒子对应的网络权值和阈值赋予BP网络；

（2）计算每个训练样本按照BP网络前向方向的输出值，通过与期望值进行比较，得出每个训练样本的误差；

（3）计算所有训练样本的误差均方根值，即得网络误差。