[发明专利]一种基于BP人工神经网络的推进剂力学性能预测方法

权利要求书

1.一种基于BP人工神经网络的推进剂力学性能预测方法，其特征在于，具体步骤如下：

步骤一，将采集的推进剂相关数据，数据经归一化预处理后得到训练样本集；

步骤二，通过设计输入层、隐含层和输出层构建BP神经网络模型，并选择传递函数、训练函数和学习函数；

步骤三，使用训练样本集对BP神经网络进行迭代训练，得到最佳的预测网络模型；

步骤四，将变量输入至最佳的预测网络模型进行预测，变量包括键合剂、固化参数和温度，键合剂包括键合剂的种类和键合剂组合后的用量，即可得到料在不同键合剂、不同固化参数、不同测试温度条件下的力学性能。

2.根据权利要求1所述的基于BP人工神经网络的推进剂力学性能预测方法，其特征在于，所述步骤一中相关数据包括推进剂在不同键合剂、不同固化参数和不同测试温度条件下的抗拉强度和断裂伸长率数据，数据的归一化处理公式为：，式中p_n为归一化后的数据，p为原始样本数据，p_min与p_max分别为原始样本数据的最小值与最大值，训练样本集包括样本的输入和样本的输出。

3.根据权利要求1所述的基于BP人工神经网络的推进剂力学性能预测方法，其特征在于，所述步骤二中输入层包括两种键合剂含量、固化参数和三个测试温度共6个节点，输出层包括抗拉强度和断裂伸长率2个节点，通过进行确定一个隐含层神经元数量的范围，在该范围内选择不同的神经元个数进行训练，通过比较每个神经元对应的模型网络收敛精度和收敛速度，确定最优的神经元数量；其中L为隐含层神经元个数，n为输入神经元节点数，m为输出神经元节点数，a为（1，10）之间的常数；传递函数采用线性-正切形式的传递函数，训练函数采用Levenberg-Marguart训练函数，学习函数采用梯度下降动量学习函数learngdm。

4.根据权利要求3所述的基于BP人工神经网络的推进剂力学性能预测方法，其特征在于，所述确定一个隐含层神经元数量的范围包括预设训练函数trainlm、设定训练目标、设定训练步骤、分别对具有不同隐含层的网络训练、检查网络性能以及根据结果确定最佳的隐含层神经元个数。

5.根据权利要求3所述的基于BP人工神经网络的推进剂力学性能预测方法，其特征在于，所述构建BP神经网络模型包括创建人工神经网络函数用“newff”，括两种键合剂含量、固化参数和三个测试温度共6个节点，一个隐含层，10个神经单元，隐含层神经单元间的传递函数为tansig，输出层的传递函数为purelin，模型训练函数为trainlm，权值和阈值的学习函数采用“learngdm”，网络的性能函数，采用默认函数“mse”；以键合剂含量、固化参数、测试温度作为输入变量，推进剂的抗拉强度和断裂伸长率为输出变量。

6.根据权利要求1所述的基于BP人工神经网络的推进剂力学性能预测方法，其特征在于，所述步骤三中迭代训练包括选取33组样本数据的前28组数据，进行学习、训练、建立模型，根据所建立的样本数据对后5组数据的力学性能进行预测，当实际的输出与所期望的输出不相符时，误差则通过输出层，按照误差梯度下降的方式修正各层的权值，向隐含层、输入层逐项传播，进而实现误差反向传播的过程；由于信息在不断正向传播的同时，误差也进行不断地反向传播，各层权值不断调整，神经网络不断学习、训练，以不断地减少网络输出误差直至可接受的程度，或直至达到所预先设定的训练次数。