门式起重机优化设计的神经网络方法

摘要

本发明涉及起重机设计技术领域，其特征是提供一种例如门式起重机结构参数优化设计的神经网络方法。根据起重机实际设计要求，确定设计参数变量及影响因素变量，将影响因素变量设计为神经网络的输入层的输入变量，需要设计的结构参数变量设计为神经网络的输出层的输出变量，采用含有一层隐层的三层前馈型网络结构，层与层之间采用全互连方式连接，同一层结点之间无连接，神经元的激活函数采用函数利用起重机设计实例的数据作为神经网络训练的样本数据，运用公式对训练样本数据进行归一化处理，用神经网络的误差反向传播(BP)算法对神经网络进行训练；利用BP神经网络模型的泛化能力，进行起重机结构参数的优化设计。

主权项

1.一种门式起重机优化设计方法，根据门式起重机实际设计要求，确定设计参数变量及影响因素变量，影响因素变量x₁、x₂、x₃、x₄、x₅，设计为神经网络的输入层的输入变量，设计参数变量y₁、y₂、y₃、y₄，设计为神经网络的输出层的输出变量，其中x₁为起升载荷，x₂为最大幅度，x₃为最小幅度，x₄为补偿倍率，x₅为起升倍率，y₁为臂架长度，y₂为臂架下绞点位置，y₃为动滑轮位置，y₄为定滑轮位置，其特征在于采用具有含一层隐层的三层前馈型网络结构，层与层之间采用全互连方式连接，同一层结点之间无连接，神经元的激活函数采用函数利用门式起重机设计实例的数据作为神经网络训练的样本数据，运用公式对训练样本数据进行归一化处理，使其值在[0，1]之间，用神经网络的误差反向传播(BP)算法对神经网络进行训练，误差精度设为1e-3，神经网络训练过程由正向传播和反向传播两部分组成：(1)正向传播给定一个训练样本的输入X＝〔x₁，x₂，…，x_m〕，首先由输入层单元传到隐层单元，经隐层单元处理后再传送到输出层，最后由输出层单元处理并产生一个输出Y＝〔y₁，y₂，…，y_n〕，设输入层、隐层、输出层结点数分别为m、h、n，输入层到隐层的连接权为w_ij(i＝1，2，…，m，j＝1，2，…，h)，隐层到输出层的连接权为v_jl(j＝1，2，…，h，l＝1，2，…，n)，隐层和输出层结点的输出分别为：其中θ_j是隐层结点的阈值；是输出层结点的阈值；f是函数：如果输出层没有得到期望的输出，则转入反向传播；(2)反向传播按先修改隐层到输出层的连接权值v_jl(j＝1，2，…，h，l＝1，2，…，n)然后修改输入层到隐层的连接权值w_ij(i＝1，2，…，m，j＝1，2，…，h)的与正向传播相反的顺序更新连接权及各层神经元的阈值：v_jl(t+1)＝v_jl(t)+αd_lz_j            (3)w_ij(t+1)＝w_ij(t)+βe_jx_i            (6)θ_j(t+1)＝θ_j(t)+βe_j              (7)其中α和β一般为大于0小于1的正数，(l＝1，2，…，n)为输出层神经元的期望输出；对每一个训练样本重复进行正向和反向传播运算，直至对每一个训练样本的输入，经神经网络正向传播计算得出的输出值均满足误差精度的要求；将需设计的起重机的影响因素变量x₁、x₂、x₃、x₄、x₅，输入到经过训练得到的神经网络，按正向传播过程计算神经网络的输出，便可得到门式起重机的优化设计参数变量y₁、y₂、y₃、y₄。