一种基于反向传播神经网络的发电机寿命预测算法

标题：一种基于反向传播神经网络的发电机寿命预测算法

摘要：本发明涉及航空发电机试验技术领域，具体提供了基于反向传播神经网络的发电机寿命预测算法，采用了反向传播神经网络的预测算法，利用神经元及它们之间的有向权重连接来隐含处理问题的知识，并且具有学习能力、自我学习能力和较强的容错能力，同时，神经元之间的计算还具有相对独立性，便于并行处理，推理过程快捷，寿命预测效果良好，实现对航空发电机的维修由事后维修或定期维修向视情维修转变, 降低维护成本。

申请号：CN201711242146.7

申请日：2017/11/30

申请人：中国航空工业集团公司沈阳飞机设计研究所

首项权利要求：1.一种基于反向传播神经网络的发电机寿命预测算法，其特征在于，包括如下步骤：
步骤一，对试验数据进行分析进行降噪处理，剔除野值，选定权系数初始值，计算各层各单元，从后向前计算各隐层输出，包括：
对全体学习样本，第i个节点输出向量可记为：Gi＝(g1, g2, …, gi)T，记第i个隐层节点与输出层之间的连接权值为wi，其中gi为第i个样本，设神经网络当前隐层节点数为k-1，记此时隐层输出矩阵为G(k-1)：
G(k-1)＝(G1, G2, …, Gi, …, Gk-1) (1)；
记此时输出层权向量为wk-1：
wk-1＝(w1, w2, …, wj, …, wk-2, wk-1)T，
定义此时误差向量为Ek-1，学习误差为ek-1，
Ek-1＝Y-G(k-1)wk-1＝Ek-2-G(k-1)wk-1 (2)；
ek-1＝||Ek-1||2 (3)；
其中Y为预测向量；
由定义可知，Ek-1和Gk为Rp空间中两个向量，记Ek-1和Gk的夹角为α，定义夹角α余弦为：
其中Rp为样本方差，将Ek-1按Gk的平行和垂直方向进行正交分解为：
其中
是Ek-1在Gk上的投影，由上述分解易知
也即
结合公式(2)和(5)，由此可知：
步骤二，计算并保存各权值修正量，并修正权值，包括：
当wk＝||Ek-1||·cosα/||Gk||时，式(6)中右边第一项取最小值0，此时式(6)等价于
结合式子
及式(4)，可以得到：
获得Ek后按式(4)计算cosα再由式(8)可得第k个新生节点到输出接点的连接权值wk，
wk＝||Ek-1||·cosα/||Gk|| (8)；
根据式(7)和(8)可得到：
||Ek||2＝||Ek-1||2(1-cos2α) (9)；
根据(8)和(9)，可以得到Ek＜Ek-1，随着k增加，学习误差减少，从而保证了学习算法的收敛性。

专利类型：发明申请