火炮发射系统装置MA-BP神经网络的稳定性评估预测方法

本发明是一种火炮发射系统装置ma-bp神经网络的稳定性评估预测方法，尤其涉及通过ma-bp神经网络进行火炮发射系统装置稳定性评估及预测，属于军事舰载应用领域。

背景技术：

在当代大数据环境下，使用神经网络智能算法，具有实时性好和自学习功能，方便数值仿真和实验拟合，以及对结果进行对比验证分析，可以有效改善系统故障评测和系统工作性能，极大提高火炮发射装置在作战期间的实际效能。在信息传递分析及利用吸收的全链条过程中，智能算法对生活提供了非常多的帮助。比较成功的神经网络例如20世纪发现的bp神经网络和支持向量机等等，均可以对输入参数组进行预测和分类功能。并且基于上述的计算方法，发现了其收敛性较差、迭代速度慢等缺点，国内外的专家们研究了很多的智能算法，以遗传算法、粒子群算法、猴群算法、鱼群算法等仿生算法为代表。

相对于传统的做法，仿生算法解决了传统做法的必须要人工处理数据的自动化不足问题、人为误差产生导致的准确性差等问题。因此在面对高射速火炮发射装置击发稳定性的预测问题及故障监测问题，面对多种类型的数据需要处理并对典型故障和实时稳定性分析等条件，使用仿生智能算法对bp神经网络进行优化并对火炮发射装置的击发稳定性进行预测诊断，以解决射速火炮发射装置击发稳定性预测及故障监测系统的准确性、快速性，以便于实际上舰使用，提高火炮发射装置的性能和稳定性。

技术实现要素：

为了解决无法及时确定火炮发射装置的作战稳定性及稳定性预测的问题，本发明公开了火炮发射系统装置ma-bp神经网络的稳定性评估预测方法，本发明的具体方案如下：

火炮发射系统装置ma-bp神经网络的稳定性评估预测方法，通过使用智能算法与bp人工神经网络和支持向量机的结合方式完成火炮发射装置的故障监测和稳定性预测，该方法包括bp神经网络预测部分和猴群算法ma优化部分；

将两部分结合后具体步骤如下：

步骤一，进行击发数据输入和数据预处理；

步骤二，对炮口振动量进行预测确认；

步骤三，确定神经网络模型；

步骤四，初始化神经网络阈值和权值；

步骤五，通过所述的猴群算法ma优化部分进行神经模型的优化；

步骤六，确认并获取神经网络模型中最优权值和阈值；

步骤七，通过神经网络模型完成炮口振动量的预测结果。

进一步地，在步骤一中，所述的击发数据输入，是将身管初始温度t、击发次数n、击发速度w作为初始参数，形成初始参数组输入神经网络中。

进一步地，在步骤二和三中，所述的炮口振动量预测及bp神经网络，包含输入层、隐含层和输出层，其中所述的输入层中每一个节点都有着对应的步骤一中的输入参数；所述的隐含层节点用来连接输入层和输出层；输出层中每一个节点都有着对应的经模型处理后的输出参数；从输入层到隐含层以及隐含层到输出层均为传递矩阵。

进一步地，在步骤五中，所述的猴群算法ma优化部分将步骤四中炮口振动量初始化后的阈值和权值进行优化，具体优化步骤如下：

步骤五一，获取火炮发射装置稳定性相关参数形成的数据组；

步骤五二，使用带有稳定性预测功能的bp神经网络对相关参数进行预测，形成预测结果和误差参数；

步骤五三，将火炮发射装置击发稳定性预测权值和阈值参数作为初始参数，导入至火炮发射装置炮口振动预测猴群算法中作为初始火炮发射装置击发参数猴群；

步骤五四，进行爬山、观望和跳跃的遗传操作，形成新的火炮发射装置击发参数猴群，并计算火炮发射装置击发稳定性预测误差参数；

步骤五五，判断是否达到结束条件，若可以结束，将迭代后的火炮发射装置击发稳定性预测权值和阈值参数作为最优参数，导入带有稳定性预测功能的bp神经网络；若未结束，继续迭代直到达到结束条件；

步骤五六，进行火炮发射装置击发稳定性预测bp神经网络权值和阈值的更新，最终得到火炮发射装置在击发过程中实时稳定性预测的结果。

进一步地，猴子指构成猴群的一个基本单位，具体指训练或者测试的火炮发射装置击发参数样本，在步骤五四中，所述的遗传操作过程细化为：

步骤五四一，将火炮发射装置击发参数样本对应的猴子的位置标记；

步骤五四二，进行爬山过程，将火炮发射装置击发参数样本在一个特定区域内进行优化；

步骤五四三，进行观望过程，观望其他区域是否还有更优的位置来替代步骤五四一中猴子标记的位置；

步骤五四四，进行跳跃过程，让火炮发射装置击发参数样本对应的火炮发射装置击发参数样本对应的猴子离开当前区域，找到一个新的区域；

步骤五四五，最终当输出层节点几乎没有变化或者达到迭代最大次数时，停止迭代完成炮口振动量优化。

进一步地，所述的观望过程，具体在于爬山结束后，每一个火炮发射装置击发参数样本对应的火炮发射装置击发参数样本对应的猴子都已经达到各自区域的火炮发射装置炮口振动量预测权值和阈值的最优位置，观望其他区域判断是否还有更优的位置来替代自己的位置，复上述步骤，直到找到满足条件的最优解。

进一步地，在步骤五四五中，所述的跳跃过程具体为，首先，生成一个跳跃程度参数，再形成该火炮发射装置击发参数样本对应的猴子新的位置参数，重复上述步骤，直到找到满足条件的最优解。

进一步地，通过bp神经网络，通过控制变量法来判断炮口振动量s随身管初始温度t、击发次数n和击发速度w之间的关系；并通过输入层的初始数据，将其按照数据编码的随机方式分成2个不同类型的组，一组为已知炮口振动量和其他参数形成的参数组，作为bp神经网络的训练内容形成相关性体系；另外一组为未知炮口振动量和相关参数形成的参数组，用来验证bp神经网络训练的结果准确性。

本发明的有益效果体现在：

1.火炮发射系统装置ma-bp神经网络的稳定性评估预测方法，针对火炮系统稳定性，将数据准确化、扩大化，由于利用人工智能算法和炮口振动量预测神经网络，在战局之中所处环境，火炮发射系统装置能更准确更迅速的做出反应；

2.本发明将智能算法和人工智能手段融入至仿真中填补了人工智能在舰载武器上的应用较少，；另外在通过本发明火炮发射装置的设计及计算应用，保证了炮口振动量并实现完成机械补偿装置，从自动化角度提高毁伤概率和性能；

3.避免了传统做法使用位移传感器对炮口振动量进行测量，当炮口振动量超过应有的范围时，操作员会通过手动调控受振动量影响，准确值无法保证的问题，本发明调整炮口振动量的值以提高火炮发射装置的作战稳定性，战争开始时就能确定火炮发射装置的作战稳定性。

附图说明

为了更清楚地说明本发明或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明中记载的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图：

图1为猴群算法优化bp神经网络数据流程图；

图2为火炮发射装置炮口振动量预测bp神经网络的基本模型图；

图3为bp神经网络对炮口振动量的预测流程图；

图4为bp神经网络对炮口振动量的预测结果图；

图5为ma-bp神经网络对炮口振动量的预测结果图；

图6为猴群算法优化中的适应度函数示意图。

具体实施方式

为了使本技术领域的人员更好地理解本发明实施例中的技术方案，并使本发明的上述目的、特征和优点能够更加明显易懂，下面结合附图对本发明中技术方案作进一步详细的说明。

具体实施方式一：基于bp神经网络对炮口振动量及稳定性预测方法，具体的实施过程如下：

(一)bp神经网络对炮口振动量预测方法提出：

火炮发射装置的稳定性在战争之中充斥着极其重要的作用，因而稳定性参数一直被当做一个衡量舰载武器性能的一个重要指标。前期理论分析中已经提出，炮口振动s为一个判定火炮发射装置性能和帮助火炮发射装置故障监测分类的重要参数。因此可以使用炮口振动s和击发精度e两个参数作为反映火炮发射装置击发过程中是否稳定的参数。

传统的做法一般为使用位移传感器对炮口振动量进行测量，当炮口振动量超过应有的范围时，操作员会通过手动调控，调整炮口振动量的值以提高火炮发射装置的作战稳定性。这种做法的缺点是很难在战争开始的时候就确定火炮发射装置的作战稳定性，因而不存在预测功能，仅为在已有的基础上进行调整。为了将智能算法和人工智能手段融入至仿真中，将利用身管初始温度t、击发次数n、击发速度w作为初始参数，形成初始参数组，使用bp神经网络对炮口振动量s进行预测，并使用猴群算法对bp神经网络的权值和阈值进行优化。对火炮发射装置炮口振动量进行仿真，得到8000组含身管初始温度t、击发次数n、击发速度w和炮口振动量s的参数组，并分为7500组训练组和500组预测组导入bp神经网络之中进行炮口振动量预测。

(二)bp神经网络对炮口振动量预测算法逻辑：

火炮发射装置炮口振动预测bp神经网络是基于函数回归问题的一种解决方法[49]，最大的特点是信息正向传播，误差反向传播。很多情况下，参数之间很难找到明确的相关性，或者说是很难用一个或一组明确的公式去求得目标参数的值或是目标参数的取值范围。然而火炮发射装置炮口振动预测bp神经网络可以采用人工智能手段，来解决此类回归问题，通过大量数据组的训练，可以得出一个基本的相关性分析结果。得到结果后，可以使用此结果去预测当初始参数改变时，目标参数将会作出的改变，甚至是求值。以3层火炮发射装置炮口振动预测bp神经网络为例，火炮发射装置炮口振动量预测基本模型如图2所示：

3层火炮发射装置炮口振动量预测bp神经网络包含一个输入层，一个隐含层，一个输出层，其中xi为输入层，每一个节点都有着对应的各种输入参数；zk为隐含层节点，用来连接输入层和输出层；yj为输出层节点，每一个节点都有着对应的各种输出参数；n,q,m分别为输入层、隐含层、输出层节点的个数；v,w分别代表从输入层到隐含层、从隐含层到输出层的传递矩阵。

火炮发射装置炮口振动量预测bp神经网络训练的过程如下：用来接收火炮发射装置击发样本和初始参数的输入层将信息传递至隐含层进行信息处理和误差优化；处理结束之后将处理过的信息传递给含有火炮发射装置炮口振动量参数的输出层；输出层得到信息后，与正确信息进行对比形成一定的误差，并将误差进行反向传播到初始参数输入层，便于下一次进行信息处理和学习。当误差小到一定程度时，迭代停止，训练结束。

输入节点数n为输入初始参数的种类个数；输出节点数m为要预测或者训练的目标参数的种类个数；隐含层一般为一层，节点个数q一般根据如下经验公式决定：

q＝1+[m×(n+2)]^0.5

(三)bp神经网络对炮口振动量预测算法流程：

在本次预测过程中，输入节点数n＝3(身管初始温度t、击发次数n、击发速度w)，输出节点数m＝1(炮口振动量s)，则隐含层节点数为q＝1+[3×(1+2)]0.5＝4。根据上述计算，得到bp神经网络对炮口振动量的预测流程，流程图如图3所示：

通过bp神经网络，可以通过控制变量法来判断炮口振动量s随身管初始温度t、击发次数n和击发速度w之间的关系；还可以通过输入层的初始数据，将其按照数据编码的随机方式分成2个不同类型的组，一组为已知炮口振动量和其他参数形成的参数组，作为bp神经网络的训练内容，形成合理的相关性体系；另外一组为未知炮口振动量和其他参数形成的参数组，用来验证bp神经网络训练的结果是否准确。通过图3所示的网络进行训练和预测，最终得到一种能合理预测火炮发射装置的性能的炮口振动预测系统。

(四)bp神经网络对炮口振动量预测实践结果

使用某型火炮发射装置的测试数据，将8000组初始数据分为两组：7500组训练组和500组测试组；将身管初始温度t、击发次数n和击发速度w作为输入参数，炮口振动量s作为输出参数，通过bp神经网络对7500组数据进行训练；对余下的500组数据进行预测，蓝色点为实际炮口振动量，绿色点为预测炮口振动量，得到的结果如图4所示：

从图4中反映的整体结果来看，每一组的预测误差基本在[0.01mm,0.06mm]之间。因此bp神经网络可以完成炮口振动量的预测任务，且准确率较高。图5表示了在bp神经网络计算过程中的可信度和准确性。

在迭代至第58代时，此炮口振动量预测神经网络的均方误差就络对训练组训练的结果和真实结果的相关性；相关性系数r2越趋近于±1，则表明相关性越强，反之若相关性系数r2越趋近于0，则表明相关性很差。相关性系数r2约为0.77～0.78左右，这表明训练组和测试组在神经网络的学习下，都已经达到了相关性比较高的情况。因此，选择身管初始温度t、击发次数n和击发速度w作为输入参数预测炮口振动量s是合理且准确的。从时间上看，本次预测过程使用29.3秒。

具体实施方式二：除具体实施方式一描述的炮口振动量预测算法，本实施例也可通过优化基于ma-bp对炮口振动量及稳定性预测方法实现，实施过程如下

(1)猴群算法优化bp神经网络方法：

炮口振动量s的预测不仅要满足预测结果准确，还要保证快速性，并结合具体实施方式一得到的结果来看，神经网络迭代58代才能收敛，因此需要一种智能算法来对炮口振动量预测bp神经网络进行优化，加快迭代速度或减小迭代步数，以实现更准确、更快速的目标。

猴群算法在处理多类型数据和大数目数据时，将初始击发数据进行分组处理，并对任一组数据进行定义，以猴子的爬山、观望、跳跃过程类比为多组数据并行处理，得到最终的bp神经网络权值和阈值优化结果；基于性能参数的对比，将使用猴群算法对火炮发射装置炮口振动量预测神经网络的内部参数和计算方式进行优化；

猴子：构成猴群的一个基本单位，即训练或者测试的火炮发射装置击发参数样本。火炮发射装置击发参数种群规模：一个猴群之中火炮发射装置击发参数样本的数量。火炮发射装置击发适应度函数：一个用户定义的能评判优化结果的函数。爬山：在一个特定的区域内进行优化。观望：代表在猴子所在地临近的区域进行优化。跳跃：代表在猴子离开所在位置，前往一个新的区域。要完成火炮发射装置炮口振动量预测猴群算法优化，需要进行参数设置：即炮口振动量预测猴群算法结束代数，火炮发射装置击发参数种群规模等。火炮发射装置炮口振动量预测猴群算法结束代数为10，火炮发射装置击发参数种群规模为50。

(2)猴群算法优化bp神经网络算法逻辑：

1、火炮发射装置击发参数样本对应的猴子的位置表示：

设xi＝(xi1,…,xin)为火炮发射装置击发目标函数的一个可行解，即第i只火炮发射装置击发参数样本对应的猴子所在位置：

xi＝(xmax-xmin)·rand(1，n)+xmin

式中：i-----火炮发射装置击发参数样本对应的猴子的编号

j-----被优化的目标问题的维数编号

xij-----第i只火炮发射装置击发参数样本对应的猴子在第j维中的位置

[xmin,xmax]------位置区间

n-----火炮发射装置击发优化目标问题的维数

2、爬山：

爬山过程也可以称为火炮发射装置击发参数样本在一个特定区域内的优化过程，具体流程如下，随机生成火炮发射装置样本参数向量δxi＝(δxi1,…,δxin)，每一个分量都以相同的概率取值为c,-c，其中c代表火炮发射装置击发参数样本对应的猴子每次爬行的距离，即迭代步长。计算梯度fi’(xi)＝(f’(xi1),…,f’(xin))。

令yi＝x+c·sgn(fi’(xi))，若yi在[xmin,xmax]内且f(yi)＜f(xi)，则使用yi替代xi，反之不变。重复上述步骤直到迭代条件结束。

3、观望：

在爬山结束后，每一个火炮发射装置击发参数样本对应的火炮发射装置击发参数样本对应的猴子都已经达到各自区域的火炮发射装置炮口振动量预测权值和阈值的最优位置，接下来需要观望其他区域是否还有更优的位置来替代自己的位置。具体流程如下。在火炮发射装置击发参数样本对应的猴子的观测距离[xij-d,xij+d]内，产生一些位置参数yij，令yi＝(yi1,…,yin)。若f(yi)＜f(xi)，则使用yi替代xi，反之重复上述步骤，直到找到满足条件的yi。当上述步骤结束后，执行爬山，再次寻找最优解。

4、跳跃：

跳跃过程即为让火炮发射装置击发参数样本对应的火炮发射装置击发参数样本对应的猴子离开当前区域，找到一个新的区域。方法为求出整个猴群的几何中心，让所有的火炮发射装置击发参数样本对应的猴子朝着几何中心的方向进行跳跃操具体流程如下。先生成一个跳跃程度参数θ，再形成该火炮发射装置击发参数样本对应的猴子新的位置参数。

yij＝xij+θ(pj-xij)

式中：m-----种群规模

n-----目标函数维度p＝(p1,…,pn)-----支点。

令yi＝(yi1,…,yin)。若f(yi)＜f(xi)，则使用yi替代xi，反之重复上述步骤，直到找到满足条件的yi。

5、结束条件

当yi几乎没有变化或者达到迭代最大次数时，停止迭代，火炮发射装置炮口振动预测猴群算法计算结束。

上述过程即为火炮发射装置炮口振动预测猴群算法求火炮发射装置击发目标函数的最优解的过程，接下来需要将火炮发射装置炮口振动预测猴群算法和bp神经网络结合起来，使用猴群算法优化火炮发射装置炮口振动量预测神经网络的阈值和权值。

(3)猴群算法优化bp神经网络算法流程

综上所述，火炮发射装置炮口振动预测猴群算法优化bp神经网络流程步骤如下：

1、使用数据库获取火炮发射装置稳定性相关参数形成的数据组；

2、使用带有稳定性预测功能的bp神经网络对相关参数进行预测，形成预测结果和误差参数；

3、将火炮发射装置击发稳定性预测权值和阈值参数作为初始参数，导入至火炮发射装置炮口振动预测猴群算法中作为初始火炮发射装置击发参数猴群；

4、进行爬山、观望、跳跃等遗传操作，形成新的火炮发射装置击发参数猴群，并计算火炮发射装置击发稳定性预测误差参数；

5、判断是否达到结束条件，若可以结束，将迭代后的火炮发射装置击发稳定性预测权值和阈值参数作为最优参数，导入带有稳定性预测功能的bp神经网络；若未结束，继续迭代直到达到结束条件；

6、进行火炮发射装置击发稳定性预测bp神经网络权值和阈值的更新，最终得到火炮发射装置在击发过程中实时稳定性预测的结果。流程图如图1所示：

(4)猴群算法优化bp神经网络实践结果

使用随机方法将8000组初始数据分为两组：7500组训练组和500组测试组；将身管初始温度t、击发次数n和击发速度w作为输入参数，炮口振动量s作为输出参数，通过图1的方式对炮口振动量预测神经网络的权值和阈值进行优化后，再进行对7500

组训练组合500组预测组的训练与预测任务。深色点为实际炮口振动量，浅色点为预测炮口振动量，得到的预测结果如图5所示：

从图5中反映的整体结果来看，每一组的预测误差已经基本在0.03mm之内，这是比单纯的bp神经网络进行预测的效果要更准确的。因此ma-bp神经网络在炮口振动预测问题上更合适。ma-bp神经网络计算过程中的适应度函数如图6所示：

猴群算法在计算到第8代的时候适应度值就已经稳定在0.025左右了，根据适应度函数的定义方式，bp神经网络的误差应该在0.025mm左右，这也印证了每一组的预测误差已经基本在0.03mm之内的正确性。

经过猴群算法优化后，在仅迭代至第24代时，此炮口振动量预测神经网络的均方误差就已经达到了0.0014左右，相比之前的0.033有大幅度减小；相关性系数r2约为0.90～0.91左右，这表明通过猴群算法优化后，训练组和测试组在神经网络的学习下，相比之前学习到了更加准确相关的权值和阈值。从时间上来看，本次预测过程使用了11.5秒。下面用表格的方式来总结两种不同预测方法的优缺点。

猴群算法优化前后的bp神经网络各性能参数对比表

通过猴群算法优化的炮口振动量预测神经网络，在预测时间、准确性和迭代次数上，都具有很大的优势；bp神经网络虽然也能较快较准确的解决炮口振动量的预测问题，然而炮口振动量预测一旦出现误差，在战斗之中也会影响性能和命中敌对目标的精度。而且在时间上，ma-bp神经网络所用时间是远远小于bp神经网络的，这表示ma-bp神经网络更适合作为战争中的炮口振动量预测系统。

通过使用智能算法与人工神经网络和支持向量机的结合方式完成了火炮发射装置的故障监测和稳定性预测，得到的结论如下：

(a)使用火炮发射装置射速w、火炮发射装置击发次数n、弹丸运动的速度v、身管的温度t、炮口振动s、身管支撑位置的横向位移d、后坐力f和贴膛阻力p参数来作为间接关键参数来代替直接参数，简化了提取参数的难易度，相对于传统的故障树和专家系统补充了参数，增加了故障监测的准确性。采用ga-svm火炮发射装置身管和开关闭锁机构故障监测方式，通过实例分析发现迭代次数更少、准确率高、运行速度更快，在查真率、精确率、查全率、衡量指数和诊断效果参数方面，ga-svm较svm提升15％左右，svm相对传统做法提升20％左右。

(b)使用身管裂纹、内膛磨损、身管变形的顺序来进行身管故障监测，使用摩擦片磨损、开关闭锁机构变形、无故障的顺序来进行开关闭锁机构故障监测在查真率、精确率、查全率、衡量指数和诊断效果参数上相对于其他的诊断顺序高15％～30％

(c)通过实例分析发现，采用ma-bp火炮发射装置稳定性预测方式对炮口振动量进行预测相对于仅使用bp神经网络对火炮发射装置稳定性预测方式迭代次数少、准确率高、运行速度更快，相关性系数r2从0.78上升至0.89。

由此可见，本发明只是对方法及系统的示例性说明，并不限定它的保护范围，本发明有许多变形和变化而不脱离本发明的精神本领域技术人员还可以对其局部进行改变，只要没有超出本专利的精神实质，都在本发明的保护范围内。