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

1、衛(wèi)星在軌壽命預(yù)測(cè)是直接影響航天設(shè)備建設(shè)與發(fā)展的重要問(wèn)題，而衛(wèi)星壽命預(yù)測(cè)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(cè)就變得至關(guān)重要。目前采用的預(yù)測(cè)方法大多是通過(guò)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(huì)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(duì)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(xiàn)的方法。

2、　　衛(wèi)星暴露件材料的性能退化規(guī)律預(yù)測(cè)可以歸結(jié)為時(shí)間序列預(yù)測(cè)的一個(gè)應(yīng)用，本文介紹了時(shí)間序列預(yù)測(cè)的相關(guān)問(wèn)題，通過(guò)一個(gè)實(shí)例簡(jiǎn)要說(shuō)明解決時(shí)間序列預(yù)測(cè)問(wèn)題的主要過(guò)程，并概述了時(shí)間序列預(yù)測(cè)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(lèi)和梯度下降（LeastMeansSquare，簡(jiǎn)稱(chēng)LMS）的訓(xùn)練算法，其主要優(yōu)點(diǎn)是算法簡(jiǎn)單、準(zhǔn)確度

3、較高，該算法通過(guò)k-均值聚類(lèi)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(lèi)；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(zhǎng)太大，收斂速度慢。為此，本文提出一種基于模糊c-均值聚類(lèi)（FuzzyC-Means，簡(jiǎn)稱(chēng)FCM）聚類(lèi)和具有自適應(yīng)學(xué)習(xí)速率（AdaptiveLearningRate，簡(jiǎn)稱(chēng)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