[发明专利]基于两层神经网络的测试性指标分配方法

说明书

本发明公开了一种基于两层神经网络的测试性指标分配方法，根据系统结构获取下级模块与上级模块的映射矩阵，构建两层神经网络，其中输入层神经单元代表下级模块，输出层神经单元代表上级模块，权值代表测试性指标分配值，根据映射矩阵确定两层神经网络的输入并初始化两层神经网络的权值矩阵，得到当前权值矩阵对应的测试性指标输出，计算输出与期望输出的误差，如果大于等于预设阈值则整体调整权值矩阵，否则根据每个上级模块的测试性指标最低局部调整权值，使所有上级模块的测试性指标均达到最低要求。本发明利用两层神经网络的学习功能来得到各下级模块的测试性指标分配值，适用于上级模块对下级模块存在交叉覆盖、协同联合的系统模型。

技术领域

本发明属于系统故障诊断技术领域，更为具体地讲，涉及一种基于两层神经网络的测试性指标分配方法。

背景技术

测试性指标是系统测试中的常用数据，包括故障检测率(FDR)、故障隔离率(FIR)等，测试性指标分配就是把系统要求的指标按照一定方法合理地分配给系统中的各级模块，如子系统、设备、可更换单元或组件等。在现有技术中，系统模型多采用多信号模型，其测试性指标分配也是基于多信号模型的，主要是将上层系统或模块的测试性指标分配到下层的子系统或子模块，模块和系统的划分之间并不存在交叉与重叠，测试性指标的分配比较简单。而对于复杂的系统级模块或多任务模型而言，由于一个下级模块可能从属于多个上级模块，存在交叉覆盖、协同联合的情况，现有的测试性分配方法很难快速准确地计算得到各模块的测试性指标，所以研究可以适应这种情况的测试性指标分配方法。

BP(Back Propagation)神经网络是1986年由Rumelhart和McCelland为首的科学家小组提出，是一种按误差逆传播算法训练的多层前馈网络，是目前应用最广泛的神经网络模型之一。BP神经网络算法的基本思想是，学习过程由信号的正向传播与误差的方向传播两个过程组成。正向传播时，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。误差的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的调整过程，是周而复始地进行的。权值不断调整的过程，也就是网络的学习训练的过程。此过程一直进行到网络输出误差减少到可以接受的程度，或者进行到预先设定的学习的次数为止。

目前常用的BP神经网络是基于三层感知器的，分别包括：输入层、隐层和输出层。还有一种两层神经网络，也叫单层感知器，是最简单的神经网络，只包含输入层和输出层。图1是两层神经网络的结构图。如图1所示，两层感知器中，输入向量为X＝(x₁,x₂,…,x_i,…,x_N)^T，输出层输出向量为O＝(o₁,o₂,…,o_j,…,o_M)^T，期望输出为D＝(d₁,d₂,…,d_j,…,d_M)^T。输入层到输出层之间的权值矩阵用W表示，W＝(W₁,W₂,…,W_j,…,W_M)，其中列向量W_j为输出层第j个神经元对应的权值向量，W_j＝(w_1j,w_2j,…,w_ij,…,w_Nj)^T，其中w_ij为输入层第i个神经元到第j个神经元的权值。输出层神经单元的输出可以用以下公式表示：

f(net_j)表示变换函数，通常根据所应用领域的实际情况来设置。