[发明专利]多经验公式与BP神经网络模型融合的混凝土侵彻深度预测算法

权利要求书

1.一种多经验公式与BP神经网络模型融合的混凝土侵彻深度预测算法，其特征是：包括以下步骤：

步骤S1、搜集试验样本并对试验样本数据进行归一化处理，搜集的试验样本数据主要包括侵彻深度H、弹体直径D、弹头形状因子N、弹头质量M、靶标密度ρ_t、速度V和靶标单轴抗压强度σ，将搜集到的全部M个试验样本的数据采用混凝土侵彻深度无量纲化公式进行降维，混凝土侵彻深度无量纲化公式如下：

公式(1)中，项为弹体的密度与靶标密度之比，为单位体积内弹体动能与靶标强度之比；

试验样本数据经过无量纲化后，样本所对应的侵彻深度则变成了无量纲侵彻深度设则其无量纲侵彻深度预测过程表示为：

F：X→Y，其中

令X3＝N，其函数表达式表示为：

F(x1,x2,x3)＝Y；

步骤S2、对全部试验样本按照进行排序，然后均匀取出训练集S,按照等长的步长，均匀挑选出若干条测试集T,剩余的试验样本则为训练集S；之后将训练集S和测试集T的试验样本分别以唯一的id值进行标识,样本的自变量参数为样本的因变量为由于在神经网络中只需要通过变量表示弹头的形状不同，因此在此设置N为0.72表示平头弹、N为0.84表示半球形弹、N为1.0表示钝头弹、N为1.14表示尖头弹；

步骤S3、设经验公式模型预测器为：f_a(x)(a＝1，2，...n)，n的值等于选用的经验公式的数量；设BP神经网络模型预测器为g(X)，将经验公式与BP神经网络进行融合，包括以下步骤：

步骤S3.1、训练BP神经网络模型预测器g(X)，g(X)在训练集S下的拟合结果为y_e(SX)＝g(SX)；经验公式模型预测器f_a(x)(a＝1，2，...n)在训练集S下的计算结果为y_ac(SX)＝f_a(SX)(a＝1，2，...n)；

步骤S3.2、测试集为步骤S2中的T,利用步骤S3.1中训练好的g(X)进行预测，在测试集T下的预测结果为：经验公式模型预测器f_a(x)(a＝1，2，...n)在测试集T下的计算结果为

步骤S3.3、将g(X)在训练集S下的拟合结果g(SX)和f_a(x)(a＝1，2，...n)在训练集S下的计算结果Yac(SX)融合为经验公式与BP融合预测模型的训练样本的输入SX^*：

SX^*＝[y_e(SX)，y_1c(SX)，y_2c(SX)，...，y_ac(SX)](a＝1，2，...n)；

用训练集S的因变量SY作为经验公式与BP融合预测模型训练样本的输出SY^*：SY^*＝SY；

步骤S3.4、用g(X)在测试集T下的拟合结果g(TX)和f_a(x)(a＝1，2，...n)在测试集T下的计算结果融合为经验公式与BP融合预测模型的测试样本的输入TX^*：

用测试集T的因变量TY作为经验公式-BP融合预测模型测试样本的输出TY^*：TY^*＝TY；

步骤S3.5、设经验公式与BP融合预测模型为F(X)，在F(X)进行训练时，利用融合预测模型F(x)的训练数据的自变量与因变量，挖掘SY^*，即SY^*与BP模型预测器g(X)在训练集S下的的拟合结果g(SX)和经验公式模型f_a(x)(a＝1，2，...n)在训练集S下的计算结果Yac(SX)的隐含关系:F：SX*→SY^*，即

F：[y_e(SX)，y_1c(SX)，y_2c(SX)，...，y_ac(SX)]→SY^*(a＝1，2，...n)；

步骤S3.6、在融合预测模型F(x)的测试阶段，利用步骤S3.5中挖掘的隐含关系F，输入F(x)测试数据的自变量TX^*进行预测，其预测结果为: