[發明專利]基于不同置信度訓練樣本優化軸系神經網絡的方法

有效

• 申請號: 202010898868.3
• 申請日: 2020-08-31
• 公開（公告）號: CN111950093B
• 公開（公告）日: 2023-03-14
• 發明（設計）人: 鄧義斌;楊小鋼
• 申請（專利權）人: 武漢理工大學
• 主分類號: G06F30/15
• 分類號: G06F30/15;G06F30/27;G06F119/14
• 代理公司: 武漢科皓知識產權代理事務所(特殊普通合伙) 42222
• 代理人: 鄭勤振

1.一種基于不同置信度訓練樣本優化軸系神經網絡的方法，其特征在于，包括：

根據仿真樣本集進行理想狀態軸系神經網絡訓練，獲得理想狀態下軸系神經網絡，并求出在實測數據點處的誤差期望值；求出仿真樣本集每個樣本點對應的誤差容量區間，將誤差容量區間的中間值作為仿真樣本點的誤差期望，求每個仿真樣本點與誤差期望之和，并構成新的訓練樣本集，用求得的新的訓練樣本集替換原有仿真樣本集并對軸系神經網絡進行二次訓練，得到的優化神經網絡，

仿真樣本集每個樣本點對應的誤差容量區間的獲得方法為：

建立真實軸系模型與仿真軸系模型的誤差關系：真實軸系模型r(x)＝仿真軸系模型s(x)+仿真模型誤差ε(x)；

求得誤差期望E(r(x))：

E(r(x))＝s(x)+E(ε(x)) (1)

用綜合了所有已知參數的期望E(r(x))的神經網絡neth(x)來近似真實網絡，由仿真模型訓練得到的網絡為net(x)≈s(x)，則軸系真實神經網絡與仿真模型訓練得到的神經網絡之間的誤差關系為：

neth(x)≈net(x)+E(ε(x)) (2)

將若干仿真計算獲得的軸承變位值與軸承支反力數據，以及實測數據的軸承變位值與軸承支反力數據，記為(x₀,y₀)；

其中x₀＝(x₁,x₂,x₃,…,x_n)y₀＝(y₁,y₂,y₃,…,y_n)

x_i——第i個中間軸承的支反力

y_i——第i個中間軸承的變位值

使用仿真樣本訓練得到的神經網絡在實測點的計算值為net(x₀)，即在x₀處模型誤差期望E(ε(x))≈y₀-net(x₀)；根據中心極限定理，假設仿真模型的誤差函數ε(x)服從正態分布過實測數據(x₀，ε₀)的函數ε(x)在另一點x_i處的值ε(x_i)服從正態分布其概率密度函數分別為

根據貝葉斯公式，ε(x_i)的期望為

將式(4)和式(5)代入式(6)積分得到且σ₂應與x₀x_i之間的距離d相關，考慮σ₂/d≥c≥0的情況，當時

若取ε_i＝0.1ε₀，可求得d＝3σ₁/c，記r＝3σ₁/c為此次實測數據的影響范圍，由于輸入變量均為三維變量，需要限制不同維度上影響范圍r^k，由+∞≥σ₂/d≥c≥0得

將仿真樣本集代入式(7)求出每個樣本點對應的誤差容量區間。