[发明专利]基于反向传播神经网络的颗粒碰撞靶材侵蚀量的预测方法

权利要求书

1.一种基于反向传播神经网络的颗粒碰撞靶材侵蚀量的预测方法，包括以下步骤：

(1)搜集颗粒碰撞平面靶材侵蚀量的实验数据，搜集的实验自变量包括7个，分别为颗粒密度ρ，颗粒直径D，颗粒硬度H_p，入射速度V，入射角度α，靶材硬度H_t，颗粒与靶材硬度比H_p/H_t，因变量为靶材侵蚀量；

(2)为消除不同变量间量级差异对权重分配的影响，对所搜集的实验数据标准化，包括不同自变量之间的标准化和因变量取对数后的标准化，并划分训练和测试数据集；对于作为因变量的靶材侵蚀量，首先对其取对数，再进行标准化；将各变量的变化范围均转化为0-1之间；

(3)搭建反向传播神经网络结构，所搭建的反向传播神经网络结构，输入层的神经元节点分别对应实验自变量，输出层1个神经元节点对应因变量即靶材侵蚀量。

(4)确定神经网络预测结果的评价指标

采用决定系数R²作为神经网络预测结果的评价指标：

式中：y_i为侵蚀量实验值；p_i为侵蚀量预测值；n为数据个数；i为数据标号；表示数据集侵蚀量实验值的平均值；

(5)网络模型训练优化，采用Adam梯度下降算法，根据神经网络预测结果的评价指标选取最优网络模型：输入层为步骤(1)所搜集的全部实验自变量；隐藏层激活函数为relu，初始化方式为He初始化，最优网络模型为最终预测颗粒碰撞造成的靶材侵蚀模型。

2.根据权利要求1所述的预测方法，其特征在于：步骤(2)对所搜集的实验数据标准化，包括不同自变量之间的标准化和因变量取对数后的标准化；对于作为因变量的靶材侵蚀量，对其取对数，再进行标准化；将各变量的变化范围均转化为0-1之间。

3.根据权利要求1所述的预测方法，其特征在于：步骤(3)所搭建的反向传播神经网络结构分为五层，每层神经元节点个数分别为7、20、15、10、1。

4.根据权利要求1所述的预测方法，其特征在于：步骤(5)的方法为：固定输出层激活函数为sigmoid，对比隐藏层激活函数分别为sigmoid、tanh和relu时网络测试集预测结果；对比不同输入变量个数时网络预测效果；对比不同初始化方式时网络预测效果，其中隐藏层激活函数为sigmoid或tanh时采用Xavier初始化方法，隐藏层激活函数为relu时采用He初始化方法，获得经过Adam梯度下降算法优化的最优网络模型。