[发明专利]一种基于快速学习率的RBF评估舰载机出动能力的方法

说明书

本发明涉及一种基于快速学习率的RBF评估舰载机出动能力的方法。根据舰载机出动能力指标体系模型生成器所建立的指标体系，生成指定数量的待评估样本，用于训练基于快速学习率的RBF神经网络，经过RBF隐含层神经元增减判别器判别后调整隐含层神经元数量，然后实现权重的鲁棒调节和神经网络学习率的自适应快速调节，最终实现舰载机出动能力快速评估。利用快速学习率的RBF神经网络的非线性映射能力来评估复杂非线性的舰载机出动能力，可以避免传统的评估方法主观性较强和评估过程复杂。通过评估值与阈值的比较来增减隐含层神经元数量更加合理，快速学习率和鲁棒算法保证神经网络更快的学习速率和稳定性。本发明通过仿真实验验证了评估方法的有效性。

(一)技术领域

本发明是一种基于快速学习率的RBF评估舰载机出动能力的方法。

(二)背景技术

航母是现代海上作战的重要组成，随着各国对海洋安全的重视，研究其作战能力成为新的热点。航母作战能力主要体现为舰载机的出动能力，对舰载机出动能力评估有利于提高其作战能力。因此，评估舰载机出动能力具有重要的理论意义和应用价值。

由于舰载机出动能力评估非常复杂，各个因素之间相互影响，错综复杂的关系制约有效的评估。而神经网络通过自学习和自适应，能够建立更加接近人类思维模式的定性和定量相结合的评估模型。学习好的神经网络把专家的评估思想以连接权的方式赋予网络上，这样该网络不仅可以模拟专家进行定量评估，而且避免了评估过程中的人为失误以及人为计取权重的主观影响和不确定性。基于径向基函数(RBF)神经网络的评估方法具有运算速度快、问题求解效率高、自学习能力强、适用面宽等优点，因而具有广阔的应用背景。但是在RBF神经网络的应用过程中存在一些问题。

首先，RBF神经网络的结构设计问题。常见的自组织RBF神经网络方法有：1)剪枝法，该算法被公认为是优化网络结构、提高网络泛化能力的有效办法，但是设定剪枝法的参数需要一定的经验和技巧。2)增长法，该方法通过不断增加节点和连接，但是很难确定何时停止增长，易造成过度拟合的现象。3)增长剪枝联合算法，许昌，2007将改进的最小资源分配网络应用到神经网络自适应控制器中，但是该方法结构较复杂，计算时间长，因此在实际应用时会受到限制，难以满足实时性要求。Feng R B，2017提出了一种基于容错算法的RBF神经网络，但是该算法利用全局搜索，因此整体的学习速度将受到影响。Oh S K，2016提出了一种基于多项式的RBF神经网络算法，RBF神经网络的基本的设计参数，包括学习率、动量、模糊化系数和特征选择机制等，通过差分进化的方法进行了优化。但是该算法没有考虑隐含层神经元之间的关系，容易出现过度拟合的情况。张琨，2014提出一种基于Lyapunov函数方法的RBF神经网络自适应补偿控制策略，该算法需要大量样本来训练神经网络，不适合难以获得大量样本的情况。Ding S F，2014提出了一种模糊RBF神经网络，该算法忽略了神经网络参数的调整，导致了该算法的学习和收敛速度较慢。Wu S T，2004利用分裂网格算法实现了自组织RBF神经网络的调整，但是该方法的结构调整过程和参数设置方法较复杂，影响了神经网络的学习速率。

其次，RBF神经网络的权重学习方法和学习率的问题。目前，RBF神经网络权重的学习通常采用线性最小二乘算法，但是最小二乘法受干扰的影响较大。同时，对于RBF神经网络的学习率的设置问题，在RBF神经网络的使用中，学习率通常是固定的。但是，其过大时，会导致网络的不稳定；而过小会减慢收敛速度，无法满足实时性的要求。

(三)发明内容

本发明的目的在于提供一种基于快速学习率的RBF评估舰载机出动能力的方法。

本发明的目的是这样实现的：