RBF網(wǎng)的改進(jìn)算法研究及其在材料性能預(yù)測中的應(yīng)用.pdf

1、衛(wèi)星在軌壽命預(yù)測是直接影響航天設(shè)備建設(shè)與發(fā)展的重要問題，而衛(wèi)星壽命預(yù)測涉及其關(guān)鍵暴露件材料性能退化規(guī)律的研究，所以衛(wèi)星關(guān)鍵暴露件在軌性能退化規(guī)律預(yù)測就變得至關(guān)重要。目前采用的預(yù)測方法大多是通過物理模擬實(shí)驗(yàn)進(jìn)行數(shù)學(xué)建模，有一定的局限性，而且會耗費(fèi)大量的人力、物力和時(shí)間，往往不能達(dá)到預(yù)期的效果。為此，本文提出了一種改進(jìn)的RBF網(wǎng)算法，對衛(wèi)星關(guān)鍵暴露件在軌性能退化規(guī)律進(jìn)行建模，提供一種利用計(jì)算機(jī)輔助物理實(shí)驗(yàn)外推材料性能退化曲線的方法。

2、　　衛(wèi)星暴露件材料的性能退化規(guī)律預(yù)測可以歸結(jié)為時(shí)間序列預(yù)測的一個(gè)應(yīng)用，本文介紹了時(shí)間序列預(yù)測的相關(guān)問題，通過一個(gè)實(shí)例簡要說明解決時(shí)間序列預(yù)測問題的主要過程，并概述了時(shí)間序列預(yù)測的研究現(xiàn)狀，然后詳細(xì)介紹了一種典型的神經(jīng)網(wǎng)絡(luò)方法——RBF網(wǎng)及其常用訓(xùn)練算法，討論了這些方法的優(yōu)缺點(diǎn)。
　　一種應(yīng)用較為廣泛的RBF網(wǎng)訓(xùn)練算法是基于k-均值聚類和梯度下降（LeastMeansSquare，簡稱LMS）的訓(xùn)練算法，其主要優(yōu)點(diǎn)是算法簡單、準(zhǔn)確度

3、較高，該算法通過k-均值聚類獲得隱含層節(jié)點(diǎn)中心向量的值（基函數(shù)為高斯函數(shù)），缺點(diǎn)是獨(dú)占性強(qiáng)即每一個(gè)樣本被完全的歸為某一類；利用LMS學(xué)習(xí)隱含層到輸出層的權(quán)值，缺點(diǎn)是迭代計(jì)算步長太大，收斂速度慢。為此，本文提出一種基于模糊c-均值聚類（FuzzyC-Means，簡稱FCM）聚類和具有自適應(yīng)學(xué)習(xí)速率（AdaptiveLearningRate，簡稱ALR）的近似LMS的RBF網(wǎng)訓(xùn)練算法，有效地抑制了原始算法的獨(dú)占性，加快了學(xué)習(xí)收斂速度，從而提