[发明专利]一种柔性因素优化设计方法

说明书

本发明涉及柔性因素优化技术领域，尤其涉及一种新型BP神经网络的计算方法及其柔性因素优化设计方法。一种新型BP神经网络的计算方法，包括步骤增加动量项和调节网络的学习速率，一种基于新型BP神经网络的计算方法的针对柔性因素优化设计的方法，包括步骤仿真建模与分析、数据采集与数据库的建立、数据库的导入和实际效果验证。通过多组不同于训练集的样本对作为测试样本来验证新型BP神经网络的计算能力及其泛化性能，把测试集样本中的振动信息作为BP神经网络的输入，之后通过已经训练过的BP神经网络模型计算出添加柔性因素的刚性体结构的振动信息，最终获得了比较良好的计算结果。

技术领域

本发明涉及柔性因素优化技术领域，尤其涉及一种基于新型BP神经网络的计算方法的针对柔性因素优化设计的方法。

背景技术

人工神经网络(Artifical Neural Network，ANN)，简称神经网络，其根本目的是实现计算机的智能化，使得计算机能够快速学习并记忆新知识和新规律。其主要研究如何让计算机模拟并实现人类的自学习和思维能力，能够从有限的样本中挖掘实物以及数据之间的潜在联系。神经网络是人工智能领域的重要分支。他主要是通过学习并储存已知样本中的潜在的数据关系、推理规则、概率分布等信息，来推导并揭示未知数据样本中变量之间的隐形关系。

神经网络的启蒙时期在上个世纪40年代，在1943年，美国心理学家麦克洛奇(Mcculloch)和数学家皮兹(Pitts)在研究生物神经元的基础上使用形式化数学描述和网络结构方法建立了一种简单的基于神经网络法的数学模型(M-P模型)。此后，有众多学者对神经网络领域进行研究和拓展，知道2006年，Hinton等人首次提出人工神经网络深度学习的概念，并讲述如何从大规模的数据中分析出更符合客观事实的信息。如今神经网络理念已运用在土木建设、实时预测、故障诊断、无人驾驶等多个领域，并在处理结构评估、系统探伤、模式识别、结构控制等诸多问题中发挥着巨大的作用。

BP神经网络(Back Propagation Neural Network，BPNN)是当今世界应用领域最广泛和最成功的神经网络的模型之一，他是一种多层反向传播的神经网络。BP算法是Rumelhart和Mcllelland于1986年提出的，它很好的解决了多层前馈神经网络领域中非线性连续函数的权值调整问题，是一种典型的误差信号反向传播算法。BPNN具有三层或三层以上的网络结构，包括一个输入层，一个或多个隐藏层和一种输出层。如图1所示是一个具有三层结构(输入层、隐藏层、输出层)的BP神经网络模型图。

当为BP神经网络提供学习样本时，神经元的激活值从输入层神经元节点向隐藏层传递，之后再从隐藏层节点向输出层传递，最后输出层的神经元获得了BP神经网络的输入相应。接下来再按照网络误差(学习样本的目标输出与网络实际输出的差)的方向，把刚刚获得的网络误差从输出层反向经隐藏层并逐步每层修正各个连接权值，最后回到输入层，因而该算法被称为“误差反向传播算法”，既BP算法。BP算法的本质就是使误差逆向传播并不断修正各层的连接权值，直到误差达到某个阈值(或训练次数达到给定极值)为止。

总而言之，BP算法的学习过程主要由输入信号的前向传播和误差信号的反向传播两部分组成。

柔性因素优化技术在智能机器人、触摸式显示屏、康复医疗、航空航天、安全驾驶等领域都具有广泛的应用和良好的前景。各种柔性力学性质的优化解耦在各个领域的应用研究中都具有非常重要的研究意义和价值。例如：人们可以在汽车的方向盘上安装柔性应力传感器。这样，当司机在非常疲劳时或没有握住方向盘的时候，应力传感器能够有效感知司机的驾驶状态，并作出判别预警，自动使车辆进入安全模式甚至系统强制停止车辆，能够有效的避免灾难的发生。在过去几十年的研究的发展过程中，国内外的研究者们对于柔性力学解耦以及相关算法的研究中取得了丰硕的成果。目前大部分的柔性因素解耦装置，都是通过外部三维力的作用改变装置内的某种影响参数从而检测到外部三维力的力学信息。于此同时，随着智能算法的提高与发展，越来越多的研究者尝试从不同的角度出发，用不同的方法解耦和优化柔性因素，表明形变以及三维力信息。