[发明专利]基于FASSA-BP算法的智能制造能力成熟度评价方法

权利要求书

1.基于FASSA-BP算法的智能制造能力成熟度评价方法，其特征在于，包括以下步骤：

构建智能制造能力评价指标体系，获取其二级评价指标得分的样本数据，对样本数据采用算数平均法和加权平均法计算样本数据的期望输出值；

构建BP神经网络：其中，将样本数据作为输入层，期望输出值作为输出层，并确定隐含层节点数；

通过FASSA算法优化BP神经网络的权值和阈值；所述FASSA算法为优化的麻雀算法，其中，将BP神经网络误差函数作为适应度函数，按照基本麻雀算法更新麻雀位置和计算适应度值；利用萤火虫扰动策略更新麻雀位置，获取最优解作为BP神经网络中不同神经元间初始的权值及阈值；

对优化后的BP神经网络模型进行训练得到智能制造能力成熟度评价模型；

输入待评价的二级评价指标得分数据，通过训练后的智能制造能力成熟度评价模型获得评价得分，并根据评价得分获得相应的评价等级。

2.根据权利要求1所述的基于FASSA-BP算法的智能制造能力成熟度评价方法，其特征在于，所述样本数据的期望输出值的获取方法包括以下步骤：

将样本数据利用算术平均法计算获取一级指标权重和一级指标得分，分别记为H_t和F_t；

再采用加权平均法将样本数据中每个指标对应的得分乘以对应指标权重，最后相加得到每条样本的期望输出值E_h：

E_h＝F₁*H₁+F₂*H₂+…+F_t*H_t,(t＝1,2,…,10) (1)。

3.根据权利要求2所述的基于FASSA-BP算法的智能制造能力成熟度评价方法，其特征在于，所述样本数据为通过问卷调查量化的指标数据；

所述样本数据和期望输出值在训练前采用归一化中的Min-max方法进行预处理。

4.根据权利要求1所述的基于FASSA-BP算法的智能制造能力成熟度评价方法，其特征在于，所述FASSA算法优化BP神经网络包括以下步骤：

确定BP神经网络的结构；

初始化FASSA算法种群，根据BP神经网络拓扑结构计算FASSA算法的搜索空间维度，计算公式为：

Dim＝inputnum*hiddennum+outputnum*hiddennum+hiddennum+outputnum (2)

式中，inputnum、outputnum、hiddennum分别是输入层、输出层以及隐含层节点个数；

对于FASSA算法目标函数，选取网络误差函数对其进行设计：

其中，n为样本的个数；y_i表示样本的期望输出值；表示样本的模型输出值；

根据基本麻雀算法中不同角色的麻雀更新位置的公式迭代更新麻雀的位置，并计算适应度值；

利用萤火虫扰动策略更新麻雀位置，不断迭代寻优，直到找到最优解或满足结束条件；

FASSA算法停止搜索，把最终求得的解划为BP神经网络中不同神经元间初始的权值及阈值，即对从FASSA算法寻得的最优解矩阵向量进行分配，其中，初始输入层到隐含层的权值矩阵为：

W₁＝x(1:inputnum*hiddennum) (4)

初始隐含层阈值矩阵为：

B₁＝x(inputnum*hiddennum+1:inputnum*hiddennum+hiddennum) (5)

初始隐含层到输出层的权值矩阵为：

W₂＝x(inputnum*hiddennum+hiddennum+1:inputnum*hiddennum+hiddennum+hiddennum*outputnum) (6)

输出层的阈值矩阵为：

B₂＝x(inputnum*hiddennum+hiddennum+hiddennum*outputnum+1:inputnum*hiddennum+hiddennum+hiddennum*outputnum+outputnum) (7)

基于已完成分配的权值、阈值运行网络，采用梯度下降法，将误差进行反向传播，以不断更新校正其值，最后达到停止条件，输出评价结果。

5.根据权利要求4所述的基于FASSA-BP算法的智能制造能力成熟度评价方法，其特征在于，所述BP神经网络的隐含层的节点个数为5，输出层的节点数为1，输出层向量表示为Y＝(y₁)；

所述BP神经网络模型的学习速率为0.01，网络训练为1000次，目标误差为10-7，其中，tansig和purelin分别作为隐含层、输出层函数。