[發明專利]基于強化T-S模糊神經網絡的徑向鍛造凹坑預測優化方法

在審

• 申請號: 201711204015.X
• 申請日: 2017-11-27
• 公開（公告）號: CN109840335A
• 公開（公告）日: 2019-06-04
• 發明（設計）人: 董湘懷;王碧凝;王新寶;黃艷龍;何雪龍;蘇建婷
• 申請（專利權）人: 上海交通大學;蘭州蘭石能源裝備工程研究院有限公司
• 主分類號: G06F17/50
• 分類號: G06F17/50;G06N3/04
• 代理公司: 上海交達專利事務所 31201
• 代理人: 王毓理;王錫麟

1.一種基于強化T-S模糊神經網絡的徑向鍛造凹坑預測優化方法，其特征在于，通過從徑向鍛造試驗和有限元仿真結果中提取出樣本的端部凹坑值和對應的工藝參數并構建得到T-S模糊神經網絡的訓練集合，用其對T-S模糊神經網絡的輸出值進行誤差估計后，得到AdaBoost算法強化T-S模糊神經網絡并再次對無量綱端部凹坑值進行預測，得到優化工藝參數組合；

所述的訓練集合包括：訓練集、驗證集和預測集的輸入數據和訓練集、驗證集的預期輸出數據。

2.根據權利要求1所述的方法，其特征是，所述的訓練集合，通過以下方式得到：通過從徑向鍛造試驗和有限元仿真結果中提取出樣本的端部凹坑值和相對應的工藝參數，對樣本的工藝參數和端部凹坑值進行無量綱化處理后作為樣本空間，然后從樣本空間中隨機選取若干組數據分別作為T-S模糊神經網絡的訓練集、驗證集的輸入數據和預期輸出數據，然后遍歷所有可能的工藝參數組合，經無量綱化后作為T-S模糊神經網絡的預測集的輸入數據。

3.根據權利要求1所述的方法，其特征是，所述的T-S模糊神經網絡包括前期網絡和后期網絡，前期網絡為T-S模糊系統，采用T-S模糊模型的“if-then”規則形式定義。

4.根據權利要求1或3所述的方法，其特征是，所述的T-S模糊神經網絡，通過以下方式建立：確定迭代次數T，每次迭代時T-S模糊神經網絡的初始權值為1/T，T取大于等于2的任意整數；根據輸入數據，確定每個T-S模糊神經網絡的輸入層神經元節點數為n，輸出層節點數為1，模糊子集數m通常取10～20之間的整數。

5.根據權利要求3所述的方法，其特征是，所述的T-S模糊模型的“if-then”規則形式是指：在規則為Rⁱ的情況下，模糊推理為：其中：模糊系統的模糊集模糊系統參數

6.根據權利要求1所述的方法，其特征是，所述的T-S模糊神經網絡的輸出值，根據模糊規則計算各輸入變量xj的隸屬度其中：c_ij和b_ij分別為隸屬度函數的中心和寬度，輸入量x＝[x₁,x₂,…,x_n]，根據模糊計算結果計算前期網絡的輸出值為：其中：即采用連乘法將各隸屬度進行模糊計算得到。

7.根據權利要求1所述的方法，其特征是，所述的誤差估計包括：誤差計算和參數修正，通過不斷修正模糊子集的隸屬函數，保證了T-S模糊神經網絡的自適應能力，其中：誤差其中：y₀為神經網絡的期望輸出值，y′為神經網絡的實際輸出值；參數其中：隸屬度函數的中心隸屬度函數的寬度η為T-S模糊神經網絡的學習率。

8.根據權利要求1所述的方法，其特征是，所述的參數修正是指：通過將訓練集、驗證集、預測集輸入，得到每次迭代時T-S模糊神經網絡對應的訓練結果及其誤差值、對無量綱端部凹坑值的預測結果，具體為：針對驗證集的數據量為L，其中每個數據的初始樣本權值為D₁(l)＝1/L，則第t(t≤T)次迭代時T-S模糊神經網絡的誤差e_t＝∑_lD_t(l),t＝1,2,…,T，其中：l應滿足l≤L，且其中：y₀為神經網絡的期望輸出值，y′為神經網絡的實際輸出值，ε為預測誤差閾值；然后將預測誤差超過閾值的樣本被賦予更高的權值，即：D_t+1(l)＝βD_t(l)，其中：β是大于1的實數，l是預測誤差超過閾值的樣本；并在下一次迭代前將所有樣本權值歸一化，即：D_t+1(l)＝D_t+1(l)/∑_lD_t+1(l),t＝1,2,…,T；l＝1,2,3,…,L。