[发明专利]基于带动量项神经网络的光互连模块耦合效率预测方法

权利要求书

1.一种基于带动量项神经网络的光互连模块耦合效率预测方法，其特征在于，包括建立光互连模块有限元模型，施加温度和振动载荷，基于单因子法分析影响光互连模块耦合效率的因素，对这些影响光耦合的主要因素进行正交实验组建多组不同水平的实验组，对其进行仿真实验得到其光互连模块耦合效率，将由此得到的众多组合的数据作为训练样本来训练神经网络，训练好的网络准确地预测光耦合效率，具体包括如下步骤：

1)建立光互连模块有限元模型；

2)对步骤1)建立的光互连模块有限元模型施加热循环的温度载荷；

3)对经受温度载荷后的模型，进行有预应力的模态分析；

4)对模型再进行随机振动分析；

5)由振动分析后得到的光互连模块关键位置处的位移计算出对准偏移；

6)基于ZEMAX光学软件仿真分析出在相应对准偏移下的光互连模块耦合效率；

7)基于正交实验设计分析出影响光互连模块耦合效率的重要因素；

8)将对光耦合效率有重要影响的因素在多水平下随机组合若干组建立光互连模块有限元模型，然后重复步骤2)～步骤6，得到若干组光互连模型的耦合效率；

9)将多因素不同水平组合实验设计及其耦合效率作为神经网络的训练样本，对网络进行学习训练；

10)当网络满足条件收敛，光耦合效率预测精度满足要求为止；

经过上述步骤，高效和准确地完成光互连模块耦合效率的预测；

步骤9)中，所述的学习训练，具体步骤如下：

a、将权值和阈值ω_ij,υ_jt,θ_j,γ_j初始化，赋予在(-1，1)的随机值；

b、将输入和输出训练样本P_k＝(a₁,a₂,…,a_n)，T_k＝(y₁,y₂,…,y_n)带入网络；

c、计算隐含层各单元输入s_j经过传递函数得到输出b_j，具体是：

b_j＝f(s_j),j＝1,2,…,p (2)

d、计算输出层各单元输入L_t经过传递函数得到输出C_t，具体是：

C_t＝f(L_t),t＝1,2,…,q (4)

e、由网络的目标T_k和实际输出C_k计算输出层各单元误差具体是：

f、计算隐含层各单元误差具体是：

g、对权值υ_jt和阈值γ_j的修正，具体是：

t＝1,2,…,q；j＝1,2,…,p；0＜α＜1 (9)

h、对连接权ω_ij和阈值θ_j的修正，具体是：

i＝1,2,…,n；j＝1,2,…,p；0＜β＜1 (12)

i、再随机从训练样本集中挑选一个样本至网络，从步骤c重新开始，直至所有样本被网络训练过；

j、再重新随机从训练样本集中挑选一个样本P_i，T_i至网络，从步骤c重新开始，得到新的输出值C_i，根据要求如果满足：

|C_i-T_i|＜ε (13)

当存在一个大于0的极小数ε满足上面条件，说明网络收敛，或达到设定的最大训练次数，则学习停止；否则，从步骤c重新开始，继续对权值和阈值进行修改直至满足条件为止；

步骤g和步骤h中，利用带动量项对标准BP神经网络进行改进，具体是在步骤g和步骤h中增加动量项，是在网络学习训练的误差反向传播过程中，权值的修改量增加一定比例的上一次权值的修改量，进而进行权值和阈值的修正，其公式为：

公式(14)中，w为权值；k为迭代次数；m_c为动量因子，在[0,1]之间；η为学习率，为误差函数梯度；

步骤j中，利用引入惩罚函数项对标准BP神经网络进行改进，具体是增加惩罚函数项，引入惩罚项的误差函数的修改公式为：

E_k+1(w)＝E_k(w)+λC(w) (15)

公式(15)中，E_k(w)为网络误差平方和，k为迭代次数，C(w)为惩罚函数，λ为惩罚项函数的系数。