BP神经网络在元器件贮存可靠性参数预测中的应用

《BP神经网络在元器件贮存可靠性参数预测中的应用》由会员上传分享，免费在线阅读，更多相关内容在行业资料-天天文库。

1、维普资讯http://www.cqvip.com第23卷第2期海军航空工程学院学报Vbl

2、23No．22008年3月JournalofNavalAeronauticalandAstronauticalUniversityMar．2008文章编号：1673一l522(2008)02—0224-03BP神经网络在元器件贮存可靠性参数预测中的应用陈海建，胡丽芳，于乐，王焱(海军航空工程学院研究生管理大队，山东烟台264001)摘要：元器件贮存可靠性受多个非线性因素的影响。时间序列预测实质是实现一个非线性映射。应用BP神经网络模型对某元器件

3、贮存可靠性性能参数时间序列进行了预测，仿真表明BP神经网络预测模型有较高的精度。关键词：元器件；贮存可靠性；BP神经网络；预测中图分类号：TB1l文献标志码：A元器件经过一段时问的贮存后，产品内部材料层。上下层之间实现全连接，而每层神经元之间无的变化是导致贮存失效的根本原因。由于贮存环境连接。当一对学习样本提供给网络后，神经元的激(主要是指温度应力、湿度应力、化学应力、机械活值从输入层向输出层传播，在输出层的各神经元应力和重力加速度等)的影响，元器件会发生物理获得网络的输入响应。然后按照减少目标输出与实或化学变化，其参数的变化是一个

4、复杂的非线性过际误差的方向，从输出层经过各中间层逐层修正各程【I～1，用一般的预测方法难以对其进行精确的预连接权值，最后回到输入层，这种算法即称为“误差测。人_T神经网络模拟人的大脑活动，具有极强的逆传播算法”，即BP算法H1。非线性逼近、大规模并行处理、自训练学习、自组1．2BP算法织和容错能力等优点1，因此，可利用基于MATLAB的BP神经网络对元器件贮存可靠性参数进行预测。设有k个学习样本，第P(P=l，2，⋯，k)个样本有输入(Xp。，2，⋯，Xpn)和输出(tpl,⋯，tpm)，1BP网络理论神经元节点．，的输入为：玎P=

5、+，(1)1．1网络结构对于第一隐层，0，=Xpi。神经元节点_，的输出为：误差反向传播的多层前向(BP，ErrorBack=f(net)=厂(o．i+)，(2)Propagation)神经网络，由Rumelhart、McCelland式中：为节点i与之间的连接权值；，为节点等人于1986年提出，其结构如图1所示。的阈值；f为非线性转移函数，一般采用Sigmoid函数，即：1／()毒。(3)采用平方型误差函数计算单个样本误差E和系统总误差￡：图1BP网络结构=l~(tpj-ypj)：，一JJk由图可见，BP网络是一种具有三层或三层以

6、上E=E．—PP1的神经网络，包括输入层、巾问层(隐层)和输ffI收稿日期：2007—08—28作者简介：陈海建(1983一)，男，硕士生。维普资讯http://www.cqvip.com第2期陈海建等：BP神经网络在元器件贮存可靠性参数预测中的应用·225式中：J，为第P个样本在输出层节点_，的网络输出化处理，将处理后的数据作为训练网络所需要的样值；t为第P个样本在输出层节点的教师值。本数据。若E和E都小于允许的误差，则学习过程结5)网络的训练：首先，确定网络的初始权值以束，否则计算各层节点的输出偏差，进行误差反向及目标函数；然后

7、，用训练样本，采用相应算法训传播，修改网络的连接权值和阈值。练网络，直到网络收敛于一定的标准；否则，可重对于输出层节点，其偏差为：新改变网络的初始权值甚至网络的拓扑结构，直至=ypj(1一y,j)(tpj—Yt,j)，(6)训练结果满意。对于隐含层节点，其偏差为：6)网络的预测：网络训练结束后，滑动窗口移=(1一)∑。(7)动到时间序列的最后n个值，输人到神经网络中，权值和阈值修正量分别为：此时的网络输出就是该序列的下一步预测值。窗口△(f+1)=叩+(f)，(8)再向后移动一次，包括原时间序列的最后n+1个值Aoj(t+1)=叩，

8、+(f)，(9)及预测值，又可以得到第二步预测，这样下去就能式中：为学习速率，取值为0．01～1；为动量因够连续得到数步后的预测值，这是一个迭代过程。子，取值为0．9左右；t为网络迭代步数。3算例分析网络连接权值和节点阈值，经过上述过程的反复修正，逐渐趋于稳定的值。某元器件在贮存试验中，每季度都对元器件的性能参数进行检测。其某项关键性能参数的检测数2基于BP网络的时间序列预测方法据如表1所示，预测2007年四个季度的参数。基于BP网络的时间序列预测步骤】如下：表1某项关键性能参数的检测数据1)网络结构的设计：网络结构的设计包括确定网

9、络的隐层数、隐层节点数及输人输出层节点数。2)网络拓扑的设计：网络拓扑的设计包括选择网络的连接方法、节点激活函数等。3)样本的选取：将已知的时间序列数据分成两组，分别构成训练样本和预测样本。设网络的输人节点数是n，输出节点是1，则n+