改进BP网络在装备维修费用预测中的应用

沈华 严聪 陈西战
空军工程大学导弹学院,陕西三原713800

文章摘要:提出了一种BP神经网络理论的改进算法，在此基础上建立了时间序列对象的预测模型，根据预测模型，对某型装备使用维修费用进行预测，并与实际使用维修费用进行了对比。结果表明此模型准确，并具有应用泛化能力，该算法为费用预测提供了一条新途径。
文章主题:改进BP网络 装备使用维修费用 预测 时间序列

文章内容：2007年08月火工品&;2007年第4期文章编号:1003—1480(2007)04—0051—03改进网络在装备维修费用预测中的应用沈华,严聪,陈西战(空军工程大学导弹学院,陕西三原,713800)摘要:提出了一种神经网络理论的改进算法,在此基础上建立了时间序列对象的预测模型,根据预测模型,对某型装备使用维修费用进行预测,并与实际使用维修费用进行了对比.结果表明此模型准确,并具有应用泛化能力,该算法为费用预测提供了一条新途径.关键词:改进网络;装备使用维修费用;预测;时间序列中图分类号:450.89文献标识码:,,—(,,713800):,,.,.,..:;;;装备的寿命周期费用()是指用户从确定对某种装备的需要开始,到用户满足需要为止的全过程中,花费在武器装备的设计,生产及使用等方面的费用总和.据外军统计,武器装备在其寿命周期内的使用费用,一般约为武器装备采购费用的数倍到数十倍之多嘲.因此准确地对武器装备的使用维修费用的预测研究对于控制和节省费用,提高装备的可靠性和维修性,加强装备使用与维修的科学管理都有着十分重要的意义.传统的基于统计学的费用预测模型是通过各种曲线的拟合方法,用不同结构的估算关系式拟合数据,这种传统的方法需考虑各种组成因素的影响,建模过程比较复杂,不能够很好反映装备使用维修费用随时间变化的规律陛.近几年,神经网络得到了广泛的应用,但由于存在收敛速度慢,易陷入局部极小等不足,需要进行改进.对于历史的使用维修费用数据可以看成一组相互之间是复杂非线性的时间序列,因此可以用此作为样本对改进后的网络进行训练,达到对装备维修费用预测的目的.1神经网络的改进神经网络是一种无反馈的前向网络,由输入层,隐含层,输出层构成.不同层次的神经元之间形成全互连接,每个层次内的神经元没有连接.典型的三层神经网络结构如图所示.收稿日期:2007—05—24作者简介:沈华(1982一),男,硕士研究生,从事项目与工程管理研究.52沈华等:改进网络在装备维修费用预测中的应用算法的主要缺点是:(1)收敛速度慢;(2)局部极值;(3)难以确定隐层和隐节点的个数.在实际应用中,算法很难胜任,因此出现了许多改进算法.输入层输出层图1典型的三层网络结构.1-算法的改进主要有两种途径:一种是采用启发式学习方法,另一种则是采用更有效的优化算法.本文采用动量法,它可以降低网络对于误差曲面局部细节的敏感性,有效地抑制网络陷于局部极小.具体方法是把权值公式修改为:+1)=)+(1一1)()+(—1)】1,式(1)中:()既可以表示单个的权值,也可表示权值向量;()=一/@),为时刻的负梯度;(一1)为一1时刻的负梯度;为学习速率,&;0;,7为动量因子,0≤叩&;.这种方法所加人的动量项实质上相当于阻尼项,它减小了学习过程的振荡趋势,从而改善了收敛生.自适应调整学习速率有利于缩短学习时间.标准算法收敛速度慢的一个重要原因是学习速率选择不当,学习速率选得太小,收敛太慢;学习速率选得太大,则有可能修正过头,导致振荡甚至发散.因此出现了自适应调整学习速率的改进算法:+1)=)+()()()=2一1)=[()(—1)】(2)当连续两次迭代其梯度方向相同时,表明下降太慢,这时可使步长加倍;当连续两次迭代其梯度方向相反时,表明下降过头,这时可使步长减半.2费用预测的改进网络模型假设装备的历史使用维修费用可用一维非线性时间序列()来表示,[1,].任何一个时间序列都可以看作是一个非线性机制确定的输人输出系统,所以可以通过网络的联想记忆功能来进行非线性时间序列的预测翻.2.1输入层,隐含层和输出层的设计采取典型的三层神经网结构.在神经网络模型中,输人层可以将,+,…+(为第年的装备使用维修费用)等年的使用维修费用作为第个输人样本,为输人点数,的大小由时间序列的长短决定.通过反复的实验研究,在非线性时间序列预测中,当隐含层节点数比输人节点数稍小时,收敛速度比较陕,误差比较小,故隐含层节点数可取为一1.输出层节点数为1,用第+1年的装备使用维修费用作为第个输人样本对应的教师.2.2初始权值的确定根据经验,模型的初始权值和阈值的确定应选为均匀分布的小数经验值,约为(一2.4/,2.4/)之间,其中为所连单元的输人层节点明.通过分析,可以得到适合装备使用维修费用预测的神经网络结构模型,如图2所示.出图2用于装备使用维修费用预测的网络模型.2,3实例分析某型武器装备使用维修费用随着服役时间的变化情况见表1.3.1初始权值及相关参数的选取对于本例,时间序列的长度为10,故输人层,隐含层和输出层的节点数分别选取为5,4,1;初始权值根据神经网络模型特选为(0,0.6)之间的均匀随机数;学习步长/为0.001,最大平均误差均值为0.02.当实际平方误差均值小于时学习结2007年08月火工品束,这时可以对装备使用维修费用进行预测.表1某武器装备的使用维修费用.13.2确定学习样本根据历史使用维修费用的数据和上面的分析,可以确定5组学习样本为:(,)=6.4406,6.6886,6.9339,7.1766,7.41676.6886,6.9339,7.1766,7.4167,7.65426.9339,7.1766,7.4167,7.6542,7.88917.1766,7.4167,7.6542,7.8891,8.12147.4167,7.6542,7.8891,8.1214,8.3510期望输出7.65427.8891()=8.12148.35108.57823.3仿真结果通过进行仿真计算,可以得到学习训练的收敛隋况,见图3;网络训练后装备使用维修费用的预测值与实际值的对比情况,如表2所示.图3网络训练收敛图.3通过已知样本的学习训练,其值根据误差函数值的变化而动态改变,经过5000次左右的迭代训练,误差符合要求,训练终止.仿真计算得到了第1的装备使用维修费用,然后将新得到的第1的使用维修费用预测值加入到样本中去,通过不断的训练学习,形成联想记忆,来预测第12的使用维修费用