选填,简要介绍文档的主要内容,方便文档被更多人浏览和下载。

第２３卷第２期２００８年３月

海军航空工程学院学报

ＪｏｕｒｎａｌｏｆＮａｖａｌＡｅｒｏｎａｕｔｉｃａｌａｎｄＡｓｔｒｏｎａｕｔｉｃａｌＵｎｉｖｅｒｓｉｔｙ

、，０１．２３Ｎｏ．２

Ｍａｒ．２００８

文章编号：１６７３－１５２２（２００８）０２—０２２４－０３

ＢＰ神经网络在元器件贮存

可靠性参数预测中的应用

陈海建，胡丽芳，于

乐，王焱

（海军航空工程学院研究生管理大队。山东烟台２６４００１）

摘要：元器件贮存可靠性受多个非线性因素的影响。时间序列预测实质是实现一个非线性映射。应用ＢＰ神经网络模型对某元器件贮存可靠性性能参数时间序列进行了预测，仿真表明ＢＰ神经网络预测模型有较高的精度。关键词：元器件；贮存可靠性；ＢＰ神经网络；预测中图分类号：ＴＢｌｌ

文献标志码：Ａ

元器件经过一段时间的贮存后，产品内部材料的变化是导致贮存失效的根本原因。由于贮存环境（主要是指温度应力、湿度应力、化学应力、机械应力和重力加速度等）的影响，元器件会发生物理或化学变化，其参数的变化是一个复杂的非线性过程【１’２１，用一般的预测方法难以对其进行精确的预测。人工神经网络模拟人的大脑活动，具有极强的非线性逼近、大规模并行处理、自训练学习、自组织和容错能力等优点【３】，因此，可利用基于ＭＡＴＬＡＢ的ＢＰ神经网络对元器件贮存可靠性参数进行预测。

１

层。上下层之间实现全连接，而每层神经元之间无连接。当一对学习样本提供给网络后，神经元的激活值从输入层向输出层传播，在输出层的各神经元获得网络的输入响应。然后按照减少目标输出与实际误差的方向，从输出层经过各中间层逐层修正各连接权值，最后回到输入层，这种算法即称为“误差逆传播算法”，即ＢＰ算法【４１。

１．２

ＢＰ算法

设有ｋ个学习样本，第ｐ（Ｐ＝ｌ，２，…，ｋ）个样

本有输入（畅，％：，…，‰）和输出（０。，０：，…，ｏ），

ＢＰ网络理论

神经元节点＿，的输入为：

ｎｅｔｅｓ＝∑％％＋Ｂ，

１．１网络结构

误差反向传播的多层前向（ＢＰ，Ｅｒｒｏｒ等人于１９８６年提出‘２１，其结构如图ｌ所示。

Ｂａｃｋ

（１）

对于第一隐层，％＝％。神经元节点＿，的输出为：

Ｐｒｏｐａｇａｔｉｏｎ）神经网络，由Ｒｕｍｅｌｈａｒｔ、ＭｃＣｅｌｌａｎｄ

％＝ｆ（ｎｅｔｐｓ）＝／（∑％％＋ｇ），

（２）

式中：％为节点ｆ与＿，之间的连接权值；哆为节点

－，的阈渣；ｆ为非线性转移函数，一般采用Ｓｉｇｍｏｉｄ函数，即：

厂（工）２寿。

１

（３）

采用平方型误差函数计算单个样本误差‘和

系统总误差Ｅ：

图１

ＢＰ网络结构

乞＝去∑（白一％）２，

‘ｊ＝ｌ

（４）（５）

由图可见，ＢＰ网络是一种具有三层或三层以上的神经网络，包括输入层、中间层（隐层）和输出

收稿日期：２００７．０８．２８

作者简介：陈海建（１９８３一），男，硕士生。

Ｅ＝∑Ｂ，

选填,简要介绍文档的主要内容,方便文档被更多人浏览和下载。

第２期陈海建等：ＢＰ神经网络在元器件贮存可靠性参数预测中的应用

式中：Ｊ，西为第Ｐ个样本在输出层节点＿，的网络输出值；０为第Ｐ个样本在输出层节点＿，的教师值。

若Ｅ。和Ｅ都小于允许的误差，则学习过程结束，否则计算各层节点的输出偏差，进行误差反向传播，修改网络的连接权值和阈值。

对于输出层节点，其偏差为：

化处理，将处理后的数据作为训练网络所需要的样本数据。

５）网络的训练：首先，确定网络的初始权值以及目标函数；然后，用训练样本，采用相应算法训练网络，直到网络收敛于一定的标准；否则，可重新改变网络的初始权值甚至网络的拓扑结构，直至训练结果满意。

６）网络的预测：网络训练结束后。滑动窗口移动到时间序列的最后刀个值，输入到神经网络中，此时的网络输出就是该序列的下一步预测值。窗口

霸＝％（１一％）％一％），

对于隐含层节点，其偏差为：

（６）

毛＝％（１一％）∑露％。

权值和阈值修正量分别为：

（７）

△％（ｆ＋１）＝，７易％＋必％（ｆ），

△岛（ｆ＋１）＝，７厶＋ｍｏＡｔ），

子，取值为０．９左右；ｔ为网络迭代步数。

（８）（９）

再向后移动一次，包括原时间序列的最后ｎ＋１个值及预测值，又可以得到第二步预测，这样下去就能够连续得到数步后的预测值，这是一个迭代过程。

式中：ｒ／为学习速率，取值为０．０１一ｌ；口为动量因

网络连接权值和节点阈值，经过上述过程的反复修正，逐渐趋于稳定的值。

３算例分析

某元器件在贮存试验中，每季度都对元器件的性能参数进行检测。其某项关键性能参数的检测数据如表１所示，预测２００７年四个季度的参数。

表１

某项关键性能参数的检测数据

２基于ＢＰ网络的时间序列预测方法

基于ＢＰ网络的时间序列预测步骤【５】如下：１）网络结构的设计：网络结构的设计包括确定网络的隐层数、隐层节点数及输入输出层节点数。

２）网络拓扑的设计：网络拓扑的设计包括选择网络的连接方法、节点激活函数等。

３）样本的选取：将已知的时间序列数据分成两组，分别构成训练样本和预测样本。设网络的输入节点数是疗，输出节点是１，则ｎ＋１个数据组成一个样本，其前ｉｔ／个值作为输入数据，后１个值是期望输出。

４）样本数据的归一化处理：由于激活函数的饱和特性，对输入、输出样本向量各分量的取值范围有要求。因此要对实际的输入、输出样本进行归一

本文以连续７个季度的数据来预测第８个季度的数据，样本数据如表２所示，前十组作为训练样本，后七组作为测试样本。

表２网络训练和测试数据

选填,简要介绍文档的主要内容,方便文档被更多人浏览和下载。

由于三层神经网络可以以任意精度逼近一个连续函数嘲，故使用三层ＢＰ神经网络。

输入神经元数ｎ＝７，输出神经元数ｍ＝１，则中问层应该有１５个神经元。但是中间层的神经数是很难确定的，而这又在很大程度上影响着网络的预测性能，故这里先取１５个，然后观察网络性能；之后．再分别取１０和２０，并于此时的预测性能进行比较，检验中间层神经元个数对网络性能的影响。当网络的预测误差最小时，网络中间层的神经元数目就是最佳值。ＢＰ网络训练次数设定为１０００，训练目标设定为０．０００００１，训练函数为ｔｒａｉｎｌｍ，利用ＭＡＴＬＡＢ进行仿真，如图２—５所示。

图２训练误差曲线（中间层为１５）４结束语

图３训练误差曲线（中间层为１０）

图４训练误差曲线（中间层为２０）

（ 一，：中间层为１０； ＋，：中间层为１５；‘一一’中间层为２０）

图５预测误差对比曲线

将三种情况进行对比，如图５所示，可见中间层神经元个数为１５时，网络的收敛速度最快，且预测误差最小，故选用此中间层神经元个数为１５的ＢＰ神经网络进行预测。以对２００７年４个季度的性能参数预测为例，预测结果如表３所示。

蕊蕊一

旦一一德一刚一

鳖粼

黼亟

妻

三层ＢＰ神经网络具有很强的非线性映射特性，元器件贮存可靠性参数预测实质上是实现一个非线性映射。据此，本文建立了基于ＢＰ神经网络的元器件贮存可靠性参数时间序列预测方法。但是ＢＰ网络是基予非线性函数的梯度优化算法，收敛速度慢且容易陷入局部最优，而网络参数（如层节点数、学习速度）难以确定也使其应用受到一定的局限。通过改进ＢＰ算法或与其他方法结合，如利用遗传

算法优化神经网络的权值，可以加快收敛速度和提高精度。

参考文献：

【ｌ】孙亮，徐廷学，陈宁．某型导弹贮存可靠性置信下限

【Ｊ】．海军航空工程学院学报，２００４，１９（４）：４５５．４５８ 【２】徐廷学，甄伟，陈红，等．基于Ｂａｙｅｓ理论的导弹贮存

可靠性试验研究【Ｊ】．海军航空工程学院学报，２００６，２１（６）：６７２—６７４．

［３１胡守仁，于少波，戴葵．神经网络导论【Ｍ】 长沙：国

防科技大学出版社，１９９３：１０．１４．

（下转第２３３页）

选填,简要介绍文档的主要内容,方便文档被更多人浏览和下载。

ｔＩｕａｅｌｉｓｓｉＭ

第２期柳爱利等：诊断反舰导弹故障模式的故障诊断法运用

２３３

４应用前景

通过对反舰导弹弹上系统原理、结构的分析，对导弹故障的统计和分析，建立起的反舰导弹的故障模式．能够为导弹的故障判断和维修保障提供理论依据。研究的成果对提高部队保障和维修能力有一定作用。

障诊断模糊专家系统设计【Ｊ】．海军航空工程学院学报，２００６，２１（５）：５３９－５４０．

【２】赵冰，崔学忠，戴邵武．导弹自动驾驶仪故障分析软

件设计【Ｊ】．海军航空工程学院学报，２００６，２１（６）：６６２－６“．

【３】杨乐平．测试技术【Ｍ】．北京：国防工业出版社，２００２：

７６．１２１．

参考文献：

【Ｉ】焦纲领，罗轶，朱元水，等．岸舰导弹自动驾驶仪故

【４】虞和济，陈长征．基于神经网络的智能诊断【Ｍ】．北

京：冶金工业出版社。２００２：３５．８１．

ＦａｕｌｔＤｌａｇｎｏｓｌｓ＂ＲｅｓｅａｒｃｈＫｅｓｅａｒｃｈＯｔｆＣｅｒｔａｉｎｎＡｎｔｉＡｎｔｉ－ＳＩ＂ｌｌＯＤｉａｇ：ＳｈｉｐＭ１ＳＳｌｌｅ

ＢａｓｅｄｏｎｔｈｅＴｒｏｕｂｌｅＭｏｄｅ

ＬＩＵＡｉ－ｌｉ，ＳＨＩＪｉａｎ－ｈｏｎｇ，ＫＯＵＫｕｎ．ｈｕ

（ＤｅｐａｒｔｍｅｎｔｏｆＣｏｎｔｒｏｌＥｎｇｉｎｅｅｒｉｎｇ ＮＡＡＵ ＹａｎｔａｉＳｈａｎｄｏｎｇ２６４００１ Ｃｈｉｎａ）

Ａｂｓｔｒａｃｔ：Ｂｙａｎａｌｙｚｉｎｇｔｈｅｔｒｏｕｂｌｅｍｏｄｅｏｆａｎｔｉ ｓｈｉｐｍｉｓｓｉｌｅ，ｔａｋｉｎｇｇｏｏｄａｄｖａｎｔａｇｅｏｆｔｈｅ

ＦＴＡ（ｆａｕｌｔ

ｔｒｅｅ

ａｎａｌｙｓｉｓ），ｔｈｅｔｒｏｕｂｌｅ

ｄｉａｇｎｏｓｉｓｍｏｒｅ

ｍｏｄｅｏｆｔｈｅｕｎｄｅｒｔｅｓｔａｎｔｉ ｍｉｓｓｉｌｅａｎｄｔｈｅＡＴＥｗａｓｃｏｎｓｔｒｕｃｔｅｄ．Ｓｏｉｔ

ｃａｎｍａｋｅｔｈｅｆａｕｌｔ

ａｕｔｏｍａｔｉｃａｌｌｙａｎｄｉｍｐｒｏｖｅｒｅｐａｉｒｉｎｇａｂｉｌｉｔｙｏｆｔｈｅＡｒｍｙ．

Ｋｅｙｗｏｒｄｓ：ｔｒｏｕｂｌｅｍｏｄｅ；ｆａｕｌｔｄｉａｇｎｏｓｉｓ；ＦＴＡ

（上接第２２６页）

【４】沈世镒．神经网络系统理论及其应ｒｅ［Ｍ］．北京：科

学出版社。１９９８：５６．５９．

【５】吕瑛沽，胡昌华，张伟．一种组合预测模型在导弹惯

性器件故障预报巾的应用［Ｊ１．湖北航天科技。２００４

（６）：１４．１８．

【６】侯福均，吴祈宗．ＢＰ神经网络在铁路客运市场时间序

列预测巾的应用【Ｊ】．运筹与管理，２００３（４）：２１ ２６．

ＡｐｐｌｉｃａｔｉｏｎｏｆＢＰＮｅｕｒａｌＮｅｔｗｏｒｋｏｎｔｈｅＰｒｅｄｉｃｔｉｏｎｏｆＮｏｎ—ｏｐｅｒａｔｉｏｎＲｅｌｉａｂｉｌｉｔｙｏｆＥｌｅｃｔｒｏｎＤｅｖｉｃｅｓ

ＣＨＥＮ

Ｈａｉ－ｊｉａｎ ＨＵ

Ｌｉ—ｆａｎｇ，ＹＵ

Ｌｅ，ＷＡＮＧ

Ｙａｈ

（ＧｒａｄｕａｔｅＳｔｕｄｅｎｔｓ’ＢｒｉｇａｄｅｏｆＮＡＡＵ，ＹａｎｔａｉＳｈａｎｄｏｎｇ

Ａｂｓｔｒａｃｔ：Ｔｈｅｓｔｏｒａｇｅｒｅｌｉａｂｉｌｉｔｙｏｆｅｌｅｃｔｒｏｎｄｅｖｉｃｅｓｐｒｅｄｉｃｔｉｏｎｉｓｅｓｓｅｎｔｉａｌｌｙｎｅｔｗｏｒｋｍｏｄｅｌ

ｔｏ

２６４００１，Ｃｈｉｎａ）

ｉＳａｆｆｅｃｔｅｄｂｙｓｅｖｅｒａｌｎｏｎｌｉｎｅａｒｆａｃｔｏｒｓ．Ｔｈｅｔｉｍｅｓｅｒｉｅｓ

ｔＯ

ｒｅａｌｉｚｅａ

ｎｏｎｌｉｎｅａｒｍａｐｐｉｎｇｆｒｏｍｔｈｅｉｎｐｕｔｓｐａｃｅ

ｔｈｅｏｕｔ

ｓｐａｃｅ．ＡＢＰｎｅｕｒａｌ

ｆｏｒｔｈｅｐｒｅｄｉｃｔｉｏｎｏｆｔｈｅｓｔｏｒａｇｅｒｅｌｉａｂｉｌｉｔｙｏｆｅｌｅｃｔｒｏｎｄｅｖｉｃｅｓｗａｓｉｎｔｒｏｄｕｃｅｄ．Ｉｔｗａｓｓｈｏｗｎ

ａｃｃｕｒａｔｅ

ｔｈａｔｔｈｅＢＰｎｅｕｒａｌｎｅｔｗｏｒｋｍｏｄｅｌｗａｓａｎ

ａｎｄｐｒａｃｔｉｃａｌｍｅｔｈｏｄ．

Ｋｅｙｗｏｒｄｓ：ｅｌｅｃｔｒｏｎｄｅｖｉｃｅｓ；ｔｈｅｓｔｏｒａｇｅｒｅｌｉａｂｉｌｉｔｙ；ＢＰｎｅｕｒａｌｎｅｔｗｏｒｋ；ｐｒｅｄｉｃｔｉｏｎ

选填,简要介绍文档的主要内容,方便文档被更多人浏览和下载。

BP神经网络在元器件贮存可靠性参数预测中的应用

作者：作者单位：刊名：英文刊名：年，卷(期)：被引用次数：

陈海建， 胡丽芳， 于乐， 王焱， CHEN Hai-jian， HU Li-fang， YU Le， WANG Yan海军航空工程学院,研究生管理大队,山东,烟台,264001海军航空工程学院学报

JOURNAL OF NAVAL AERONAUTICAL ENGINEERING INSTITUTE2008,23(2)1次

参考文献(6条)

1.侯福均;吴祈宗 BP神经网络在铁路客运市场时间序列预测中的应用[期刊论文]-运筹与管理 2003(04)2.吕瑛洁;胡昌华;张伟 一种组合预测模型在导弹惯性器件故障预报中的应用 2004(06)3.沈世镒 神经网络系统理论及其应用 19984.胡守仁;于少波;戴葵 神经网络导论 1993

5.徐廷学;甄伟;陈红 基于Bayes理论的导弹贮存可靠性试验研究[期刊论文]-海军航空工程学院学报 2006(06)6.孙亮;徐廷学;陈宁 某型导弹贮存可靠性置信下限[期刊论文]-海军航空工程学院学报 2004(04)

引证文献(1条)

1.李涵.周东君.张锋 基于BP网络的机载导弹备件需求量预测[期刊论文]-海军航空工程学院学报 2010(4)

本文链接：http:///Periodical_hjhkgcxyxb200802027.aspx