RBF網(wǎng)的改進算法研究及其在材料性能預測中的應用.pdf

1、衛(wèi)星在軌壽命預測是直接影響航天設備建設與發(fā)展的重要問題，而衛(wèi)星壽命預測涉及其關(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)律預測就變得至關(guān)重要。目前采用的預測方法大多是通過物理模擬實驗進行數(shù)學建模，有一定的局限性，而且會耗費大量的人力、物力和時間，往往不能達到預期的效果。為此，本文提出了一種改進的RBF網(wǎng)算法，對衛(wèi)星關(guān)鍵暴露件在軌性能退化規(guī)律進行建模，提供一種利用計算機輔助物理實驗外推材料性能退化曲線的方法。

2、　　衛(wèi)星暴露件材料的性能退化規(guī)律預測可以歸結(jié)為時間序列預測的一個應用，本文介紹了時間序列預測的相關(guān)問題，通過一個實例簡要說明解決時間序列預測問題的主要過程，并概述了時間序列預測的研究現(xiàn)狀，然后詳細介紹了一種典型的神經(jīng)網(wǎng)絡方法——RBF網(wǎng)及其常用訓練算法，討論了這些方法的優(yōu)缺點。
　　一種應用較為廣泛的RBF網(wǎng)訓練算法是基于k-均值聚類和梯度下降（LeastMeansSquare，簡稱LMS）的訓練算法，其主要優(yōu)點是算法簡單、準確度

3、較高，該算法通過k-均值聚類獲得隱含層節(jié)點中心向量的值（基函數(shù)為高斯函數(shù)），缺點是獨占性強即每一個樣本被完全的歸為某一類；利用LMS學習隱含層到輸出層的權(quán)值，缺點是迭代計算步長太大，收斂速度慢。為此，本文提出一種基于模糊c-均值聚類（FuzzyC-Means，簡稱FCM）聚類和具有自適應學習速率（AdaptiveLearningRate，簡稱ALR）的近似LMS的RBF網(wǎng)訓練算法，有效地抑制了原始算法的獨占性，加快了學習收斂速度，從而提