[发明专利]基于BP神经网络算法对涂层老化的分析方法

摘要

本发明提供了一种基于BP神经网络算法对涂层老化的分析方法。建模关系数目没有限制，将其应用于伪装涂料的老化预测，灵活性和预报精度较高，可以实现全局最优解，训练次数少，收敛快；隐层和因节点选取采用理论指导；继承性较好。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；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。

主权项

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。