[发明专利]一种基于机器学习的反问题环形聚能装药优化方法

权利要求书

1.一种基于机器学习的环形聚能装药优化方法，其特征在于：包括如下步骤：

步骤1：构建深度卷积神经网络(CNN)模型；

步骤1.1：神经网络基本模型，主要由输入层神经元、隐藏层神经元、输出层神经元组成，层与层之间的神经元由权重(w_ij^(l))和偏置(b_i^(l))连接，上标l代表层数，下标i代表权重所连接的第l层的第i个神经元，下标j代表权重所连接的第(l-1)层的第j个神经元，第l层的第i个神经元输出的计算方法如下：

其中，h(x)为激活函数，计算方法如下

h(x)＝max(0,x) (2)

当x值小于等于零时，h(x)取值为0，当x值大于零时，h(x)取值为x；

在网络结构确定的条件下，层数l和每层神经元的个数i已知，此时网络输出值为y_c，通过式(1)得到输出下标c代表第c个输出值，k为输出值的维度(个数)，标签值t_c与输出值y_c的偏差L由均方差方程(损失函数)得到：

y_c值是由权重和偏置决定的，因此，神经网络的主要工作是搜索合适的权重(W^*)和偏置(b^*)值，使得损失函数最小；为了简化公式表示，令W＝w_ij^(l)；b＝b_i^(l)；

权重及偏置采用式(5)更新，

其中η为学习率；

步骤1.2：为了实现对数据空间结构的学习，采用卷积计算及最大池化计算，卷积计算模型如式(6)所示

其中，w_k,l为卷积核，m与n分别为卷积核的行数与列数，p与q为当前卷积核所处的位置；

结合步骤1.1和1.2，构建了一个由16个卷积层(C1-C16)，五个最大池化层(P1-P5)和三个全连接层组成的卷积神经网络模型；

步骤2：采用数值模拟方法生成训练数据，并将训练数据带入卷积神经网络模型，训练模型中的权重及偏置参数；

步骤3：采用数值模拟方法生成与训练数据不同的测试数据，并将测试数据代入训练好的神经网络模型，测试预测结果的可靠性，如满足要求则进入步骤4，如不满足要求则重复步骤2；

步骤4：将理想的聚能装药形成结果输入检测好的卷积神将网络，从而得到环形聚能装药结构设计参数。