基于两层神经网络的测试性指标分配方法组成比例

本发明专利技术公开了一种基于两层神经网络的测试性指标分配方法，根据系统结构获取下级模块与上级模块的映射矩阵，构建两层神经网络，其中输入层神经单元代表下级模块，输出层神经单元代表上级模块，权值代表测试性指标分配值，根据映射矩阵确定两层神经网络的输入并初始化两层神经网络的权值矩阵，得到当前权值矩阵对应的测试性指标输出，计算输出与期望输出的误差，如果大于等于预设阈值则整体调整权值矩阵，否则根据每个上级模块的测试性指标最低局部调整权值，使所有上级模块的测试性指标均达到最低要求。本发明专利技术利用两层神经网络的学习功能来得到各下级模块的测试性指标分配值，适用于上级模块对下级模块存在交叉覆盖、协同联合的系统模型。

【技术实现步骤摘要】

本专利技术属于系统故障诊断
，更为具体地讲，涉及一种基于两层神经网络的测试性指标分配方法。
技术介绍
测试性指标是系统测试中的常用数据，包括故障检测率(FDR)、故障隔离率(FIR)等，测试性指标分配就是把系统要求的指标按照一定方法合理地分配给系统中的各级模块，如子系统、设备、可更换单元或组件等。在现有技术中，系统模型多采用多信号模型，其测试性指标分配也是基于多信号模型的，主要是将上层系统或模块的测试性指标分配到下层的子系统或子模块，模块和系统的划分之间并不存在交叉与重叠，测试性指标的分配比较简单。而对于复杂的系统级模块或多任务模型而言，由于一个下级模块可能从属于多个上级模块，存在交叉覆盖、协同联合的情况，现有的测试性分配方法很难快速准确地计算得到各模块的测试性指标，所以研究可以适应这种情况的测试性指标分配方法。BP(BackPropagation)神经网络是1986年由Rumelhart和McCelland为首的科学家小组提出，是一种按误差逆传播算法训练的多层前馈网络，是目前应用最广泛的神经网络模型之一。BP神经网络算法的基本思想是，学习过程由信号的正向传播与误差的方向传播两个过程组成。正向传播时，输入样本从输入层传入，经各隐层逐层处理后，传向输出层。若输出层的实际输出与期望的输出不符，则转入误差的反向传播阶段。误差的反传是将输出误差以某种形式通过隐层向输入层逐层反传，并将误差分摊给各层的所有单元，从而获得各层单元的误差信号，此误差信号即作为修正各单元权值的依据。这种信号正向传播与误差反向传播的各层权值的调整过程，是周而复始地进行的。权值不断调整的过程，也就是网络的学习训练的过程。此过程一直进行到网络输出误差减少到可以接受的程度，或者进行到预先设定的学习的次数为止。目前常用的BP神经网络是基于三层感知器的，分别包括：输入层、隐层和输出层。还有一种两层神经网络，也叫单层感知器，是最简单的神经网络，只包含输入层和输出层。图1是两层神经网络的结构图。如图1所示，两层感知器中，输入向量为X＝(x1,x2,…,xi,…,xN)T，输出层输出向量为O＝(o1,o2,…,oj,…,oM)T，期望输出为D＝(d1,d2,…,dj,…,dM)T。输入层到输出层之间的权值矩阵用W表示，W＝(W1,W2,…,Wj,…,WM)，其中列向量Wj为输出层第j个神经元对应的权值向量，Wj＝(w1j,w2j,…,wij,…,wNj)T，其中wij为输入层第i个神经元到第j个神经元的权值。输出层神经单元的输出可以用以下公式表示： o j = f ( net j ) , net j = Σ i = 1 N w i j x i - - - ( 1 ) ]]>f(netj)表示变换函数，通常根据所应用领域的实际情况来设置。目前BP神经网络多用作分类、聚类、预测等领域，先通过历史数据的训练得到BP神经网络模型，然后基于该BP神经网络模型实现分类、聚类、预测等功能。
技术实现思路
本专利技术的目的在于克服现有技术的不足，提供一种基于两层神经网络的测试性指标分配方法，将测试性指标分配值作为两层神经网络的权值，通过反馈迭代来得到符合期望指标的测试性指标，使系统中各个下级模块分配得到的测试性指标能够同时满足每个上级模块的测试性指标要求。为实现上述专利技术目的，本专利技术基于两层神经网络的测试性指标分配方法包括以下步骤：S1：将系统中的上级模块按照优先级从大到小进行排序，根据系统的结构获取下级模块与上级模块的映射矩阵H，映射矩阵H中的元素hij表示第i个模块与第j个上级模块的关联，其中i＝1,2,…,N，j＝1,2,…,M，N表示下级模块数量，M表示上级模块数量，hij＝1表示对应下级模块与上级模块存在关联，hij＝0表示对应下级模块与上级模块不存在关联；S2：构建两层神经网络，其中输入层神经单元数量为N，输出层神经单元数量为M；S3：记每个下级模块i对应的平均无故障时间为αi，对于每个上级模块j，统计映射矩阵中hij＝1的下级模块，将这些下级模块的平均无故障时间求和，得到每个上级模块j所对应的下级模块的平均无故障时间和βj，然后根据以下公式得到下级模块i对应上级模块j的故障率xij： x i j = α i / β j , h i j = 1 0 , h i j = 0 ]]>根据得到的所有故障率xij构建得到M个输入向量Xj＝(x1j,x2j,…,xNj)T；S4：根据本文档来自技高网...

【技术保护点】
一种基于两层神经网络的多任务测试性指标分配方法，其特征在于，包括以下步骤：S1：将系统中的上级模块按照优先级从大到小进行排序，根据系统的结构获取下级模块与上级模块的映射矩阵H，映射矩阵H中的元素hij表示第i个模块与第j个上级模块的关联，其中i＝1,2,…,N，j＝1,2,…,M，N表示下级模块数量，M表示上级模块数量，hij＝1表示对应下级模块与上级模块存在关联，hij＝0表示对应下级模块与上级模块不存在关联；S2：构建两层神经网络，其中输入层神经单元数量为N，输出层神经单元数量为M；S3：记每个下级模块i对应的平均无故障时间为αi，对于每个上级模块j，统计映射矩阵中hij＝1的下级模块，将这些下级模块的平均无故障时间求和，得到每个上级模块j所对应的下级模块的平均无故障时间和βj，然后根据以下公式得到下级模块i对应上级模块j的故障率xij：xij=αi/βj,hij=10,hij=0]]>根据得到的所有故障率xij构建得到M个输入向量Xj＝(x1j,x2j,…,xNj)T；S4：根据下级模块与上级模块的映射矩阵H，对两层神经网络的权值矩阵W进行初始化：如果hij＝0，其对应的权值wij＝0，如果hij＝1，其对应的权值为(0,1)范围内的随机数；S5：依次将M个输入向量Xj作为两层神经网络的输入，得到当前权值矩阵W对应的输出，将上级模块j的M个输出记为ujj′，j′＝1,2,…,M，计算上级模块j的输出oj：oj=1MΣj′=1Mujj′]]>S6：根据预设的各个上级模块的测试性指标最低要求dj和步骤S103的输出oj计算系统误差e，如果系统误差e小于预设阈值eT，进入步骤S8，否则进入步骤S7；S7：根据以下公式计算权值调整量：Δwij=η(dj-oj)xij,wij≠00,wij=0]]>根据以下公式计算新的权值：wij=min(1,wij+1KjΣj=1MΔwij′),wij≠00,wij=0]]>返回步骤S5；S8：根据每个上级模块的测试性指标最低要求调整权值，具体步骤包括：S8.1：令上级模块序号j＝1；S8.2：如果oj＜dj，进入步骤S8.3，否则进入步骤S8.5；S8.3：调整上级模块j关联的下级模块的权值，调整公式如下：wij=min(1,wij(1+τ)),wij≠00,wij=0]]>其中，τ为调整步长控制因子；将上级模块j关联的下级模块对应的非零权值均更新为wij；S8.4：将M个输入向量Xj作为两层神经网络的输入，根据当前权值矩阵，重新得到二层神经网络中每个上级模块的输出，返回步骤S8.2；S8.5：如果j＜M，令j＝j+1，返回步骤S8.2，否则进入步骤S9；S9：将当前第i个模块所对应的各个权值wij中非零的权值作为该模块的测试性指标分配值γi。...

【技术特征摘要】
1.一种基于两层神经网络的多任务测试性指标分配方法，其特征在于，包括以下步骤：
S1：将系统中的上级模块按照优先级从大到小进行排序，根据系统的结构获取下级模
块与上级模块的映射矩阵H，映射矩阵H中的元素hij表示第i个模块与第j个上级模块的关
联，其中i＝1,2,…,N，j＝1,2,…,M，N表示下级模块数量，M表示上级模块数量，hij＝1表示
对应下级模块与上级模块存在关联，hij＝0表示对应下级模块与上级模块不存在关联；
S2：构建两层神经网络，其中输入层神经单元数量为N，输出层神经单元数量为M；
S3：记每个下级模块i对应的平均无故障时间为αi，对于每个上级模块j，统计映射矩阵
中hij＝1的下级模块，将这些下级模块的平均无故障时间求和，得到每个上级模块j所对应
的下级模块的平均无故障时间和βj，然后根据以下公式得到下级模块i对应上级模块j的故
障率xij：
x i j = α i / β j , h i j = 1 0 , h i j = 0 ]]>根据得到的所有故障率xij构建得到M个输入向量Xj＝(x1j,x2j,…,xNj)T；
S4：根据下级模块与上级模块的映射矩阵H，对两层神经网络的权值矩阵W进行初始化：
如果hij＝0，其对应的权值wij＝0，如果hij＝1，其对应的权值为(0,1)范围内的
随机数；
S5：依次将M个输入向量Xj作为两层神经网络的输入，得到当前权值矩阵W对应的输出，
将上级模块j的M个输出记为ujj′，j′＝1,2,…,M，计算上级模块j的输出oj：
o j = 1 M Σ j ′ = 1 M u jj ′ ]]>S6：根据预设的各个上级模块的测试性指标最低要求dj和步骤S103的输出oj计算系统
误差e，如果系统误差e小于预设阈值eT，进入步骤S8，否则进入步骤S7；
S7：根据以下公式计算权值调整量：
Δw i j = η ( d j - o j ) x i j , w i j ≠ 0 0 , w i j = 0 ]]>根据以下公式计算新的权值：
w i j = min ( 1 , w i j ...

【专利技术属性】
技术研发人员：杨成林，成鹏，林干，龙兵，
申请(专利权)人：电子科技大学，
类型：发明
国别省市：四川;51