[發明專利]一種基于機器學習的反問題環形聚能裝藥優化方法

在審

• 申請號: 202010114051.2
• 申請日: 2020-02-24
• 公開（公告）號: CN111291519A
• 公開（公告）日: 2020-06-16
• 發明（設計）人: 徐文龍;王成;賈時雨;楊同會;齊方方;劉保華
• 申請（專利權）人: 北京理工大學
• 主分類號: G06F30/27
• 分類號: G06F30/27;G06N3/04;G06N3/08;G06N20/00;G06F111/10
• 代理公司: 北京理工正陽知識產權代理事務所(普通合伙) 11639
• 代理人: 鄔曉楠

1.一種基于機器學習的環形聚能裝藥優化方法，其特征在于：包括如下步驟：

步驟1：構建深度卷積神經網絡(CNN)模型；

步驟1.1：神經網絡基本模型，主要由輸入層神經元、隱藏層神經元、輸出層神經元組成，層與層之間的神經元由權重(w_ij^(l))和偏置(b_i^(l))連接，上標l代表層數，下標i代表權重所連接的第l層的第i個神經元，下標j代表權重所連接的第(l-1)層的第j個神經元，第l層的第i個神經元輸出的計算方法如下：

其中，h(x)為激活函數，計算方法如下

h(x)＝max(0,x) (2)

當x值小于等于零時，h(x)取值為0，當x值大于零時，h(x)取值為x；

在網絡結構確定的條件下，層數l和每層神經元的個數i已知，此時網絡輸出值為y_c，通過式(1)得到輸出下標c代表第c個輸出值，k為輸出值的維度(個數)，標簽值t_c與輸出值y_c的偏差L由均方差方程(損失函數)得到：

y_c值是由權重和偏置決定的，因此，神經網絡的主要工作是搜索合適的權重(W^*)和偏置(b^*)值，使得損失函數最??；為了簡化公式表示，令W＝w_ij^(l)；b＝b_i^(l)；

權重及偏置采用式(5)更新，

其中η為學習率；

步驟1.2：為了實現對數據空間結構的學習，采用卷積計算及最大池化計算，卷積計算模型如式(6)所示

其中，w_k,l為卷積核，m與n分別為卷積核的行數與列數，p與q為當前卷積核所處的位置；

結合步驟1.1和1.2，構建了一個由16個卷積層(C1-C16)，五個最大池化層(P1-P5)和三個全連接層組成的卷積神經網絡模型；

步驟2：采用數值模擬方法生成訓練數據，并將訓練數據帶入卷積神經網絡模型，訓練模型中的權重及偏置參數；

步驟3：采用數值模擬方法生成與訓練數據不同的測試數據，并將測試數據代入訓練好的神經網絡模型，測試預測結果的可靠性，如滿足要求則進入步驟4，如不滿足要求則重復步驟2；

步驟4：將理想的聚能裝藥形成結果輸入檢測好的卷積神將網絡，從而得到環形聚能裝藥結構設計參數。