基于兩層神經(jīng)網(wǎng)絡(luò)的測(cè)試性指標(biāo)分配方法
【技術(shù)領(lǐng)域】
[0001] 本發(fā)明屬于系統(tǒng)故障診斷技術(shù)領(lǐng)域，更為具體地講，涉及一種基于兩層神經(jīng)網(wǎng)絡(luò) 的測(cè)試性指標(biāo)分配方法。
【背景技術(shù)】
[0002] 測(cè)試性指標(biāo)是系統(tǒng)測(cè)試中的常用數(shù)據(jù)，包括故障檢測(cè)率(FDR)、故障隔離率(FIR) 等，測(cè)試性指標(biāo)分配就是把系統(tǒng)要求的指標(biāo)按照一定方法合理地分配給系統(tǒng)中的各級(jí)模 塊，如子系統(tǒng)、設(shè)備、可更換單元或組件等。在現(xiàn)有技術(shù)中，系統(tǒng)模型多采用多信號(hào)模型，其 測(cè)試性指標(biāo)分配也是基于多信號(hào)模型的，主要是將上層系統(tǒng)或模塊的測(cè)試性指標(biāo)分配到下 層的子系統(tǒng)或子模塊，模塊和系統(tǒng)的劃分之間并不存在交叉與重疊，測(cè)試性指標(biāo)的分配比 較簡(jiǎn)單。而對(duì)于復(fù)雜的系統(tǒng)級(jí)模塊或多任務(wù)模型而言，由于一個(gè)下級(jí)模塊可能從屬于多個(gè) 上級(jí)模塊，存在交叉覆蓋、協(xié)同聯(lián)合的情況，現(xiàn)有的測(cè)試性分配方法很難快速準(zhǔn)確地計(jì)算得 到各模塊的測(cè)試性指標(biāo)，所以研究可以適應(yīng)這種情況的測(cè)試性指標(biāo)分配方法。
[0003] BP(Back Propagation)神經(jīng)網(wǎng)絡(luò)是 1986年由Rumelhart和McCelland為首的科學(xué) 家小組提出，是一種按誤差逆?zhèn)鞑ニ惴ㄓ?xùn)練的多層前饋網(wǎng)絡(luò)，是目前應(yīng)用最廣泛的神經(jīng)網(wǎng) 絡(luò)模型之一。BP神經(jīng)網(wǎng)絡(luò)算法的基本思想是，學(xué)習(xí)過(guò)程由信號(hào)的正向傳播與誤差的方向傳 播兩個(gè)過(guò)程組成。正向傳播時(shí)，輸入樣本從輸入層傳入，經(jīng)各隱層逐層處理后，傳向輸出層。 若輸出層的實(shí)際輸出與期望的輸出不符，則轉(zhuǎn)入誤差的反向傳播階段。誤差的反傳是將輸 出誤差以某種形式通過(guò)隱層向輸入層逐層反傳，并將誤差分?jǐn)偨o各層的所有單元，從而獲 得各層單元的誤差信號(hào)，此誤差信號(hào)即作為修正各單元權(quán)值的依據(jù)。這種信號(hào)正向傳播與 誤差反向傳播的各層權(quán)值的調(diào)整過(guò)程，是周而復(fù)始地進(jìn)行的。權(quán)值不斷調(diào)整的過(guò)程，也就是 網(wǎng)絡(luò)的學(xué)習(xí)訓(xùn)練的過(guò)程。此過(guò)程一直進(jìn)行到網(wǎng)絡(luò)輸出誤差減少到可以接受的程度，或者進(jìn) 行到預(yù)先設(shè)定的學(xué)習(xí)的次數(shù)為止。
[0004] 目前常用的BP神經(jīng)網(wǎng)絡(luò)是基于三層感知器的，分別包括:輸入層、隱層和輸出層。 還有一種兩層神經(jīng)網(wǎng)絡(luò)，也叫單層感知器，是最簡(jiǎn)單的神經(jīng)網(wǎng)絡(luò)，只包含輸入層和輸出層。 圖1是兩層神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)圖。如圖1所示，兩層感知器中，輸入向量為Χ=(χι，χ2，···，χ?，···， ΧΝ)Τ，輸出層輸出向量為〇 = (〇1，〇2,…，〇j，…，〇M)T，期望輸出為D = (dl，d2，…，dj，…，dM)T。輸 入層到輸出層之間的權(quán)值矩陣用W表示，···，￥」，…，W M)，其中列向量Wj為輸出層第 j個(gè)神經(jīng)元對(duì)應(yīng)的權(quán)值向量，Wj= (Wlj，W2j，…，Wij，…，WNj)T，其中Wij為輸入層第i個(gè)神經(jīng)元到 第j個(gè)神經(jīng)元的權(quán)值。輸出層神經(jīng)單元的輸出可以用以下公式表示：
[0005]
(1)
[0006] f(netj)表示變換函數(shù)，通常根據(jù)所應(yīng)用領(lǐng)域的實(shí)際情況來(lái)設(shè)置。
[0007]目前BP神經(jīng)網(wǎng)絡(luò)多用作分類、聚類、預(yù)測(cè)等領(lǐng)域，先通過(guò)歷史數(shù)據(jù)的訓(xùn)練得到BP神 經(jīng)網(wǎng)絡(luò)模型，然后基于該BP神經(jīng)網(wǎng)絡(luò)模型實(shí)現(xiàn)分類、聚類、預(yù)測(cè)等功能。

【發(fā)明內(nèi)容】

[0008] 本發(fā)明的目的在于克服現(xiàn)有技術(shù)的不足，提供一種基于兩層神經(jīng)網(wǎng)絡(luò)的測(cè)試性指 標(biāo)分配方法，將測(cè)試性指標(biāo)分配值作為兩層神經(jīng)網(wǎng)絡(luò)的權(quán)值，通過(guò)反饋迭代來(lái)得到符合期 望指標(biāo)的測(cè)試性指標(biāo)，使系統(tǒng)中各個(gè)下級(jí)模塊分配得到的測(cè)試性指標(biāo)能夠同時(shí)滿足每個(gè)上 級(jí)模塊的測(cè)試性指標(biāo)要求。
[0009] 為實(shí)現(xiàn)上述發(fā)明目的，本發(fā)明基于兩層神經(jīng)網(wǎng)絡(luò)的測(cè)試性指標(biāo)分配方法包括以下 步驟：
[0010] S1:將系統(tǒng)中的上級(jí)模塊按照優(yōu)先級(jí)從大到小進(jìn)行排序，根據(jù)系統(tǒng)的結(jié)構(gòu)獲取下 級(jí)模塊與上級(jí)模塊的映射矩陣H，映射矩陣Η中的元素表示第i個(gè)模塊與第j個(gè)上級(jí)模塊的 關(guān)聯(lián)，其中i = l，2,…，N，j = l，2,…，M，N表示下級(jí)模塊數(shù)量，Μ表示上級(jí)模塊數(shù)量，hij = l表 示對(duì)應(yīng)下級(jí)模塊與上級(jí)模塊存在關(guān)聯(lián)，hu = 0表示對(duì)應(yīng)下級(jí)模塊與上級(jí)模塊不存在關(guān)聯(lián)；
[0011] S2:構(gòu)建兩層神經(jīng)網(wǎng)絡(luò)，其中輸入層神經(jīng)單元數(shù)量為N，輸出層神經(jīng)單元數(shù)量為M;
[0012] S3:記每個(gè)下級(jí)模塊i對(duì)應(yīng)的平均無(wú)故障時(shí)間為αι，對(duì)于每個(gè)上級(jí)模塊j，統(tǒng)計(jì)映射 矩陣中h^ = l的下級(jí)模塊，將這些下級(jí)模塊的平均無(wú)故障時(shí)間求和，得到每個(gè)上級(jí)模塊j所 對(duì)應(yīng)的下級(jí)模塊的平均無(wú)故障時(shí)間和比，然后根據(jù)以下公式得到下級(jí)模塊i對(duì)應(yīng)上級(jí)模塊j 的故障率Xij:
[0013]
[0014] 根據(jù)得到的所有故障率Xij構(gòu)建得到Μ個(gè)輸入向量Xj = (Xlj，x2j，…，xNj)T;
[0015] S4:根據(jù)下級(jí)模塊與上級(jí)模塊的映射矩陣H，對(duì)兩層神經(jīng)網(wǎng)絡(luò)的權(quán)值矩陣W進(jìn)行初 始化:如果hij = 0，其對(duì)應(yīng)的權(quán)值Wij = 0，如果hij = 1，其對(duì)應(yīng)的權(quán)值％ =扔，奶為(0，1)范 圍內(nèi)的隨機(jī)數(shù)；
[0016] S5:依次將Μ個(gè)輸入向量Xj作為兩層神經(jīng)網(wǎng)絡(luò)的輸入，得到當(dāng)前權(quán)值矩陣W對(duì)應(yīng)的 輸出，將上級(jí)模塊j的Μ個(gè)輸出記為Ujy，太=1，2,…，M，計(jì)算上級(jí)模塊j的輸出〇j:
[0017]
冊(cè)/=1
[0018] S6:根據(jù)預(yù)設(shè)的各個(gè)上級(jí)模塊的測(cè)試性指標(biāo)最低要求山和步驟S103的輸出~計(jì)算 系統(tǒng)誤差e，如果系統(tǒng)誤差e小于預(yù)設(shè)閾值eT，進(jìn)入步驟S8,否則進(jìn)入步驟S7;
[0019] S7:根據(jù)以下公式計(jì)算權(quán)值調(diào)整量：
[0020]
[0021] 根據(jù)以下公式計(jì)算新的權(quán)值：
[0022]
[0023] 返回步驟S5;
[0024] S8:根據(jù)每個(gè)上級(jí)模塊的測(cè)試性指標(biāo)最低要求調(diào)整權(quán)值，具體步驟包括：
[0025] S8.1:令上級(jí)模塊序號(hào)j = l;
[0026] S8 · 2:如果〇j<dj，進(jìn)入步驟S8 · 3，否則進(jìn)入步驟S8 · 5;
[0027] S8.3:調(diào)整上級(jí)模塊j關(guān)聯(lián)的下級(jí)模塊的權(quán)值，調(diào)整公式如下：
[0028]
[0029]其中，τ為調(diào)整步長(zhǎng)控制因子；
[0030] 將上級(jí)模塊j關(guān)聯(lián)的下級(jí)模塊對(duì)應(yīng)的非零權(quán)值均更新為;
[0031] S8.4:將Μ個(gè)輸入向量X」作為兩層神經(jīng)網(wǎng)絡(luò)的輸入，根據(jù)當(dāng)前權(quán)值矩陣，重新得到 二層神經(jīng)網(wǎng)絡(luò)中每個(gè)上級(jí)模塊的輸出，返回步驟S8.2;
[0032] S8.5:如果j<M，令j = j+Ι，返回步驟S8.2，否則進(jìn)入步驟S9;
[0033] S9:將當(dāng)前第i個(gè)模塊所對(duì)應(yīng)的各個(gè)權(quán)值中非零的權(quán)值作為該模塊的測(cè)試性指 標(biāo)分配值Yi。
[0034] 本發(fā)明基于兩層神經(jīng)網(wǎng)絡(luò)的測(cè)試性指標(biāo)分配方法，將上級(jí)模塊按照優(yōu)先級(jí)從大到 小進(jìn)行排序，根據(jù)系統(tǒng)結(jié)構(gòu)獲取下級(jí)模塊與上級(jí)模塊的映射矩陣，構(gòu)建兩層神經(jīng)網(wǎng)絡(luò)，其中 輸入層神經(jīng)單元代表下級(jí)模塊，輸出層神經(jīng)單元代表上級(jí)模塊，根據(jù)映射矩陣確定兩層神 經(jīng)網(wǎng)絡(luò)的輸入，并根據(jù)映射矩陣初始化兩層神經(jīng)網(wǎng)絡(luò)的權(quán)值矩陣，得到當(dāng)前權(quán)值矩陣對(duì)應(yīng) 的測(cè)試性指標(biāo)輸出，計(jì)算輸出與期望輸出的誤差，如果大于等于預(yù)設(shè)閾值則整體調(diào)整權(quán)值 矩陣，否則根據(jù)每個(gè)上級(jí)模塊的測(cè)試性指標(biāo)最低要求調(diào)整權(quán)值，直到所有上級(jí)模塊的測(cè)試 性指標(biāo)均達(dá)到最低要求。
[0035] 本發(fā)明通過(guò)將下級(jí)模塊的故障率作為兩層神經(jīng)網(wǎng)絡(luò)的輸入，上級(jí)模塊的測(cè)試性指 標(biāo)最低要求作為輸出，測(cè)試性指標(biāo)分配值作為輸入到輸出的權(quán)值，利用兩層神經(jīng)網(wǎng)絡(luò)的學(xué) 習(xí)功能來(lái)調(diào)整權(quán)值，從而得到各下級(jí)模塊的測(cè)試性指標(biāo)分配值，從而適應(yīng)上級(jí)模塊對(duì)下級(jí) 模塊存在交叉覆蓋、協(xié)同聯(lián)合的系統(tǒng)模型，快速準(zhǔn)確地得到各下級(jí)模塊的測(cè)試性指標(biāo)分配 值。
【附圖說(shuō)明】
[0036]圖1是兩層神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)圖；
[0037]圖2是本發(fā)明基于兩層神經(jīng)網(wǎng)絡(luò)的測(cè)試性指標(biāo)分配方法的【具體實(shí)施方式】流程圖； [0038]圖3是局部調(diào)整權(quán)值的流程圖。
【具體實(shí)施方式】
[0039] 下面結(jié)合附圖對(duì)本發(fā)明的【具體實(shí)施方式】進(jìn)行描述，以便本領(lǐng)域的技術(shù)人員更好地 理解本發(fā)明。需要特別提醒注意的是，在以下的描述中，當(dāng)已知功能和設(shè)計(jì)的詳細(xì)描述也許 會(huì)淡化本發(fā)明的主要內(nèi)容時(shí)，這些描述在這里將被忽略。
[0040] 實(shí)施例
[0041] 為了更好地說(shuō)明本發(fā)明的技術(shù)內(nèi)容，首先對(duì)兩層神經(jīng)網(wǎng)絡(luò)的學(xué)習(xí)方法進(jìn)行簡(jiǎn)單說(shuō) 明：