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２００ …… 此处隐藏：3522字，全部文档内容请下载后查看。喜欢就下载吧 ……