CN107480404A - 基于带动量项神经网络的光互连模块耦合效率预测方法 - Google Patents
基于带动量项神经网络的光互连模块耦合效率预测方法 Download PDFInfo
- Publication number
- CN107480404A CN107480404A CN201710823530.XA CN201710823530A CN107480404A CN 107480404 A CN107480404 A CN 107480404A CN 201710823530 A CN201710823530 A CN 201710823530A CN 107480404 A CN107480404 A CN 107480404A
- Authority
- CN
- China
- Prior art keywords
- coupling efficiency
- optical interconnection
- interconnection module
- network
- optical
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
- G06F30/23—Design optimisation, verification or simulation using finite element methods [FEM] or finite difference methods [FDM]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/18—Complex mathematical operations for evaluating statistical data, e.g. average values, frequency distributions, probability functions, regression analysis
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Mathematical Physics (AREA)
- Computational Mathematics (AREA)
- Mathematical Analysis (AREA)
- General Engineering & Computer Science (AREA)
- Pure & Applied Mathematics (AREA)
- Mathematical Optimization (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Evolutionary Biology (AREA)
- Software Systems (AREA)
- Computer Hardware Design (AREA)
- Operations Research (AREA)
- Probability & Statistics with Applications (AREA)
- Geometry (AREA)
- Algebra (AREA)
- Life Sciences & Earth Sciences (AREA)
- Databases & Information Systems (AREA)
- Evolutionary Computation (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Semiconductor Lasers (AREA)
Abstract
本发明公开了一种基于带动量项神经网络的光互连模块耦合效率预测方法,包括建立光互连模块有限元模型,施加温度和振动载荷,基于单因子法分析影响光互连模块耦合效率的影响因素,对影响光耦合的主要因素进行正交实验组建多组不同水平的实验组,对其进行仿真实验得到其光互连模块耦合效率,将得到的多组合的数据作为训练样本来训练神经网络,训练好的网络可以较准确地预测光耦合效率。本发明避免了标准BP神经网络存在学习收敛慢,易陷入局部最小等缺点,实现高效和准确地预测温振复合载荷下的光互连模块耦合效率,为实际工程化应用中设计并制造高耦合效率的高速光互连模块提供一种科学而有效的快速手段。
Description
技术领域
本发明涉及光互连耦合效率预测技术领域,具体是一种基于带动量项神经网络的光互连模块耦合效率的预测方法。
背景技术
面对未来大容量、高速率和低能耗的数据交换要求,拥有高带宽和低时延等优点的光互连是非常有前途的互连方式。但是,因光路对准偏移造成光耦合损耗仍是光互连面临的众多困难和挑战之一。在光互连中,要实现光通信就要保证足够功率的信号到达探测器,因此,对整个光链路过程中的损耗研究有重要意义。判断光链路优劣的重要指标之一是光耦合效率。现在,光电产品运用领域越来越广泛,从大型的通信服务器、超级计算机到越来越电子化和智能化的飞机。因此,韦何耕、黄春跃、梁颖、ZHOU B,QIU B J等人研究表明光电产品中的光互连模块不可避免地受到电子产品工作产热、天气温度、飞机的振动等环境因素的影响。光互连模块在温度变化时其各结构材料热膨胀系数失配和振动下PCB发生变形将导致关键位置处产生对准偏移,虽然这些影响造成的对准偏移可能只在微米量级,但是,光耦合损耗甚至会超过30%。正是由于光互连模块不可避免的需要工作于包括温度变化和振动冲击等在内的复杂环境中并且由此所产生的对准偏移对光耦合损耗影响巨大,因此对复杂环境下光互连模块耦合效率进行研究尤其重要。因此,本发明在对温度和振动复合加载下光互连模块的对准偏移和耦合效率研究后,提出了基于神经网络的高速光互连模块光耦合效率预测方法,实现高效、准确地预测光耦合效率。
近年来已有学者对预测领域展开研究。BP(Back Propagation,神经网络)是一种误差是反向传播的前馈式网络。由于它结构简单易掌握,能实现n维输入到m维输出的非线性映射关系,在事物预测领域被广泛地采用。但是,标准BP神经网络也存在学习收敛慢,易陷入局部最小等缺点。为了解决这些问题,人们提出各种改进算法。带动量项法可以加快学习,缩短网络学习训练至收敛的时间;同时,在BP算法中增加惩罚函数项,可以让网络在学习训练中避免陷入局部最小。本发明构建了一个标准BP神经网络,在焊点材料和形态参数与光互连耦合效率之间建立起一个非线性映射关系,实现对温振复合载荷下光互连模块耦合效率的预测。采用了带动量项和带惩罚函数的方法改进BP神经网络算法,加快了网络的学习训练,使耦合效率的预测更精准。
发明内容
本发明的目的在于解决现有技术的不足,而提供一种基于带动量项神经网络的光互连模块耦合效率预测方法;该方法采用基于带动量项神经网络预测光互连模块预测光耦合效率,避免标准BP神经网络存在学习收敛慢,易陷入局部最小等缺点,实现高效和准确地预测温振复合载荷下的光互连模块耦合效率,为实际工程化应用中设计并制造高耦合效率的高速光互连模块提供一种科学而有效的快速手段。
实现本发明目的的技术方案是:
一种基于带动量项神经网络的光互连模块耦合效率预测方法,包括建立光互连模块有限元模型,施加温度和振动载荷,基于单因子法分析影响光互连模块耦合效率的因素,对这些影响光耦合的主要因素进行正交实验组建多组不同水平的实验组,对其进行仿真实验得到其光互连模块耦合效率,将由此得到的众多组合的数据作为训练样本来训练神经网络,训练好的网络可以较为准确地预测光耦合效率,具体包括如下步骤:
1)建立光互连模块有限元模型;
2)对步骤1)建立的光互连模块有限元模型施加热循环的温度载荷;
3)对经受温度载荷后的模型,进行有预应力的模态分析;
4)对模型再进行随机振动分析;
5)由振动分析后得到的光互连模块关键位置处的位移计算出对准偏移;
6)基于ZEMAX光学软件仿真分析出在相应对准偏移下的光互连模块耦合效率;
7)基于正交实验设计分析出影响光互连模块耦合效率的重要因素;
8)将对光耦合效率有重要影响的因素在多水平下随机组合若干组建立光互连模块有限元模型,然后重复步骤2)~步骤6中,得到若干组光互连模型的耦合效率;
9)将多因素不同水平组合实验设计及其耦合效率作为神经网络的训练样本,对网络进行学习训练;
10)当网络满足条件收敛,光耦合效率预测精度满足要求为止;
经过上述步骤,高效和准确地完成光互连模块耦合效率的预测。
步骤1)中,所述的光互连模型尺寸,上层PCB长为27mm,宽为27mm,高为1.52mm;中层PCB长为35mm,宽为35mm,高为1.52mm;下层PCB长为55mm,宽为50mm,高为1.52mm;光耦合元件半径为0.0625mm,长度为2.76mm;埋入式光纤半径为0.0625mm,长度为30mm;焊盘半径为0.608mm;上层焊球体积为0.23mm3,高度为0.52mm,中心距为1.5mm;下层焊球体积为0.23mm3,高度为0.48mm,中心距为1.5mm。
步骤7)中,所述的重要因素,包括焊点材料、焊盘直径、焊点体积、焊点中心距、上焊点高度和下焊点高度。
步骤7)中,所述的正交实验,设有70组正交试验组,其中60组为训练样本,10组为测试样本。
步骤9)中,所述的学习训练,具体步骤如下:
a、将权值和阈值ωij,υjt,θj,γj初始化,赋予在(-1,1)的随机值;
b、将输入和输出训练样本Pk=(a1,a2,…,an),Tk=(y1,y2,…,yn)带入网络;
c、计算隐含层各单元输入sj经过传递函数得到输出bj,具体是:
bj=f(sj),j=1,2,…,p (2)
d、计算输出层各单元输入Lt经过传递函数得到输出Ct,具体是:
Ct=f(Lt),t=1,2,…,q (4)
e、由网络的目标Tk和实际输出Ck计算输出层各单元误差具体是:
f、计算隐含层各单元误差具体是:
g、对权值υjt和阈值γj的修正,具体是:
t=1,2,…,q;j=1,2,…,p;0<α<1 (9)
h、对连接权和阈值θj的修正,具体是:
i=1,2,…,n;j=1,2,…,p;0<β<1 (12)
i、再随机从训练样本集中挑选一个样本至网络,从步骤c重新开始,直至所有样本被网络训练过;
j、再重新随机从训练样本集中挑选一个样本Pi,Ti至网络,从步骤c重新开始,得到新的输出值Ci,根据要求如果满足:
|Ci-Ti|<ε (13)
当存在一个大于0的极小数ε满足上面条件,说明网络收敛,或达到设定的最大训练次数,则学习停止;否则,从步骤c重新开始,继续对权值和阈值进行修改直至满足条件为止。
步骤g和步骤h中,利用带动量项对标准BP神经网络进行改进,具体是在步骤g和步骤h中增加动量项,是在网络学习训练的误差反向传播过程中,权值的修改量增加一定比例的上一次权值的修改量,进而进行权值和阈值的修正,其公式为:
公式(14)中,w为权值;k为迭代次数;mc为动量因子,在[0,1]之间;η为学习率,为误差函数梯度。
步骤j中,利用引入惩罚函数项对标准BP神经网络进行改进,具体是增加惩罚函数项,引入惩罚项的误差函数的修改公式为:
Ek+1(w)=Ek(w)+λC(w) (15)
公式(15)中,Ek(w)为网络误差平方和,k为迭代次数,C(w)为惩罚函数,λ为惩罚项函数的系数。
常用的惩罚函数一般为权值衰减法,其为:
有益效果:本发明提供的一种基于带动量项神经网络的光互连模块耦合效率预测方法;该方法采用基于带动量项神经网络预测光互连模块预测光耦合效率,避免标准BP神经网络存在学习收敛慢,易陷入局部最小等缺点,实现高效和准确地预测温振复合载荷下的光互连模块耦合效率,为实际工程化应用中设计并制造高耦合效率的高速光互连模块提供一种科学而有效的快速手段。
附图说明
图1是本发明中标准BP神经网络的全局误差图;
图2是标准BP神经网络的线性回归分析图;
图3是带动量项BP神经网络的全局误差图;
图4是带动量项BP神经网络的线性回归分析图;
图5是引入惩罚项的带动量项BP神经网络的全局误差图;
图6是引入惩罚项的带动量项BP神经网络的线性回归分析图。
具体实施方式
下面结合附图和实施例对本发明做进一步阐述,但不是对本发明的限定。
实施例:
一种基于带动量项神经网络的光互连模块耦合效率预测方法,具体包括如下步骤:
1)建立一种典型的板级光互连模块有限元分析模型,其结构几何尺寸和材料参数如表1和表2所示;
表1光互连模型几何尺寸
表2光互连有限元模型材料参数
2)对光互连模块有限元分析模型先后施加温度和振动载荷,进行有限元分析,获得光互连模块关键位置处对准偏移;
3)基于ZEMAX光学软件仿真分析出在相应对准偏移下的光互连模块耦合效率;
4)基于正交实验设计分析出影响光互连模块耦合效率的重要因素,重要因素分别是焊点材料、焊盘直径、焊点体积、焊点中心距、上焊点高度和下焊点高度,分别对各个因素选取5个水平值,其因素水平表如下表3所示;
表3焊点材料和形态参数水平表
5)为了使学习训练得到的BP神经网络预测结果更加准确,设置70组正交试验组,将多因素不同水平组合实验设计及其耦合效率作为BP神经网络的训练样本,对网络进行学习训练;
学习训练具体包括如下步骤:
a、将权值和阈值ωij,υjt,θj,γj初始化,赋予在(-1,1)的随机值;
b、将输入和输出训练样本Pk=(a1,a2,…,an),Tk=(y1,y2,…,yn)带入网络;
c、计算隐含层各单元输入sj经过传递函数得到输出bj,具体是:
bj=f(sj),j=1,2,…,p (2)
d、计算输出层各单元输入Lt经过传递函数得到输出Ct,具体是:
Ct=f(Lt),t=1,2,…,q (4)
e、由网络的目标Tk和实际输出Ck计算输出层各单元误差具体是:
f、计算隐含层各单元误差具体是:
g、对权值υjt和阈值γj的修正,具体是:
t=1,2,…,q;j=1,2,…,p;0<α<1 (9)
h、对连接权和阈值θj的修正,具体是:
i=1,2,…,n;j=1,2,…,p;0<β<1 (12)
i、再随机从训练样本集中挑选一个样本至网络,从步骤c重新开始,直至所有样本被网络训练过;
j、再重新随机从训练样本集中挑选一个样本Pi,Ti至网络,从步骤c重新开始,得到新的输出值Ci,根据要求如果满足:
|Ci-Ti|<ε (13)
通过仿真分析得到70组试验组在温度和振动复合加载下的对准偏移量,再利用ZEMAX软件得到相应对准偏移量下的耦合效率,如表4所示;表4中为了方便程序处理,焊点的材料Sn96.5Ag3.5、SAC387、Sn63Pb37、SAC305、Sn62Pb36Ag2分别用数字1、2、3、4和5代替。
表4神经网络的训练样本
6)确定BP神经网络的结构和网络各层节点数目
(1)确定BP神经网络的结构
经典的三层BP网络模型便能实现n维到m维的映射,本发明选用包括一个输入层、一个隐含层和一个输出层的BP网络结构;
(2)确定输入层节点数
光互连模块中焊点的焊盘直径、焊点体积、焊点中心距、上层焊点高度和下层焊点高度和焊点材料6个因素对光耦合对准偏移有较大影响,进而影响光互连模块的耦合效率,则这6个因素为网络输入,输入层节点数为6;
(3)确定输出层节点数
选择耦合效率作为输出,输出节点数为1;
(4)确定隐含层节点数
BP网络隐含层节点的数目较难确定,隐含层的节点较多时学习训练时间会较长,拟合效果并不会就很好;节点数少时,也难以实现期望的拟合效果,采用Kolmogorov定理可确定节点数,其公式为:
上述公式(17)中,m是输出层节点数;n为输入层节点数,a为[1,10]之间的常数;
本发明设置6个输入层节点,1个输出层节点,因此根据公式得隐含层节点数应在[4.5,13.5]之间,由于输入节点数较多,训练样本较大,经多次试验,本发明隐含层的节点数取9。
7)BP神经网络中传递函数、学习率和最大迭代次数等参数选择
传递函数选择的好坏有时决定了网络的好坏,所以,选择合适的传递函数对于神经网络来说很重要;BP神经网络中传递函数除了能向前传递信号,还要能反向传递误差,所以要求是处处可微的。logsig、tansig和purelin是常用的传递函数。logsig是非线性函数,它输出值的范围是[0,1];tansig也是非线性函数,其输出值范围在[-1,1]之间;purelin是线性函数,它能得到任意数值。为了提高网络预测的精度,对训练样本进行了归一化处理,得到的数值在[-1,-1]之间。所以,选择tansig作为传递函数。经试验,选取tansig作为输入层到隐含层、隐含层到输出层的传递函数,网络预测较为精确。
学习率的选择也是BP神经网络的难点。学习率较大时,网络收敛较快,但是容易造成网络的震荡和不稳定;学习率较小时,又会造成网络收敛的太慢;经多次试验选择学习率为0.05。
最大迭代次数根据实际训练的结果,适当增加或者减少迭代次达到网络训练效果即可。本发明选择的最大迭代次数为3000。
8)基于MATLAB编程语言的耦合效率预测模型的标准BP网络算法实现
采用MATLAB编程语言实现标准BP神经网络的算法,根据步骤5)中的训练样本,前60组中焊点材料、形态参数的各因素不同水平的数据作为训练样本的输入,光互连模块耦合效率作为训练样本的目标输出,运行标准BP神经网络程序,网络全局误差减小过程如图1所示;
从图1可见,误差在网络第3000次迭代训练后为0.027653,未达到目标误差0.001,但达到了最大迭代次数3000,所以迭代停止。从图中可以看出当迭代次数超过1000次以后,网络的全局误差下降地很慢,即使最大迭代次数设置为10000、20000,全局误差也变化的不大,所以考虑时间和运行内存,网络在3000次停止迭代。
图2为标准BP神经网络的线性回归分析图,从图2中可以看出,标准BP神经网络经过训练后的输出值与期望输出值的线性回归分析中相关指数R2为0.861。当相关指数R2为0.75时,就表明输出值与期望输出值有强相关关系,网络拟合效果较好。R2越大,对应的残差平方和越小,也就是说模型的拟合效果越好。在线性回归分析模型中R2表示解释变量对预报变量的的贡献率,R2越接近1,说明模型的回归效果越好。
9)带动量项的BP神经网络光互连模块耦合效率预测模型训练,根据带动量项的权值和阈值的修改方法,选取动量因子为0.9,建立带动量项的BP神经网络程序,网络全局误差减小过程如图3所示,误差在网络第3000次迭代训练后为0.024676,该值小于标准BP神经网络此时的网络全局误差0.027653。由此可见,增加动量项后的BP网络收敛更快。
为了分析网络训练完后输出值和目标输出样本的相关性,对它们进行线性回归分析后其结果如图4所示。从图中可以看出,带动量项的BP神经网络经过训练后的输出值与期望输出值的线性回归分析中相关指数R2为0.874,该值大于标准BP神经网络的R2值0.861。由此可见,带动量项的BP网络光互连模块耦合效率预测模型的拟合效果更好。
10)引入惩罚项的带动量项BP网络光互连模块耦合效率预测模型训练
为了兼顾带动量BP网络可克服学习率和稳定性之间矛盾的优点,获得更好神经网络,文中在带动量项的BP网络的基础上再引入惩罚项,根据的引入惩罚项的误差函数的的修改方法,采用应用最广泛的权值衰减法,选取惩罚因子为10-7,建立程序;训练过程中的网络全局误差减小过程如图5所示,由图可知,误差在网络第3000次迭代训练后为0.021269,该值小于仅带动量项的BP神经网络此时误差值0.024676,由此可见,增加惩罚项后带动量项BP神经网络收敛更快。
为了分析网络训练完后输出值和目标输出样本的相关性,对它们进行线性回归分析后其结果如图6所示。从图6中可以看出,经过训练后引入惩罚项的带动量项BP网络的输出值与期望输出值的线性回归分析中相关指数R2为0.888,该值大于只带动量项BP神经网络的R2值0.874,由此可见,引入惩罚项后的带动量项BP网络拟合效果更好。
如下表5所示,是引入惩罚项的带动量项BP网络的预测值和实验仿真值对比表。为测试完成学习训练的引入惩罚项的带动量项BP网络模型的预测效果,取10组测试样本数据对网络进行测试,如下所示,从表中看出,引入惩罚项的带动量项BP网络的预测更为准确,该方法具有实用性和可靠性。
表5引入惩罚项的带动量项BP网络的预测值和实验仿真值对比
Claims (7)
1.一种基于带动量项神经网络的光互连模块耦合效率预测方法,其特征在于,包括建立光互连模块有限元模型,施加温度和振动载荷,基于单因子法分析影响光互连模块耦合效率的因素,对这些影响光耦合的主要因素进行正交实验组建多组不同水平的实验组,对其进行仿真实验得到其光互连模块耦合效率,将由此得到的众多组合的数据作为训练样本来训练神经网络,训练好的网络可以较为准确地预测光耦合效率,具体包括如下步骤:
1)建立光互连模块有限元模型;
2)对步骤1)建立的光互连模块有限元模型施加热循环的温度载荷;
3)对经受温度载荷后的模型,进行有预应力的模态分析;
4)对模型再进行随机振动分析;
5)由振动分析后得到的光互连模块关键位置处的位移计算出对准偏移;
6)基于ZEMAX光学软件仿真分析出在相应对准偏移下的光互连模块耦合效率;
7)基于正交实验设计分析出影响光互连模块耦合效率的重要因素;
8)将对光耦合效率有重要影响的因素在多水平下随机组合若干组建立光互连模块有限元模型,然后重复步骤2)~步骤6中,得到若干组光互连模型的耦合效率;
9)将多因素不同水平组合实验设计及其耦合效率作为神经网络的训练样本,对网络进行学习训练;
10)当网络满足条件收敛,光耦合效率预测精度满足要求为止;
经过上述步骤,高效和准确地完成光互连模块耦合效率的预测。
2.根据权利要求1所述的一种基于带动量项神经网络的光互连模块耦合效率预测方法,其特征在于,步骤1)中,所述的光互连模型尺寸,上层PCB长为27mm,宽为27mm,高为1.52mm;中层PCB长为35mm,宽为35mm,高为1.52mm;下层PCB长为55mm,宽为50mm,高为1.52mm;光耦合元件半径为0.0625mm,长度为2.76mm;埋入式光纤半径为0.0625mm,长度为30mm;焊盘半径为0.608mm;上层焊球体积为0.23mm3,高度为0.52mm,中心距为1.5mm;下层焊球体积为0.23mm3,高度为0.48mm,中心距为1.5mm。
3.根据权利要求1所述的一种基于带动量项神经网络的光互连模块耦合效率预测方法,其特征在于,步骤7)中,所述的重要因素,包括焊点材料、焊盘直径、焊点体积、焊点中心距、上焊点高度和下焊点高度。
4.根据权利要求1所述的一种基于带动量项神经网络的光互连模块耦合效率预测方法,其特征在于,步骤7)中,所述的正交实验,设有70组正交试验组,其中60组为训练样本,10组为测试样本。
5.根据权利要求1所述的一种基于带动量项神经网络的光互连模块耦合效率预测方法,其特征在于,步骤9)中,所述的学习训练,具体步骤如下:
a、将权值和阈值ωij,υjt,θj,γj初始化,赋予在(-1,1)的随机值;
b、将输入和输出训练样本Pk=(a1,a2,…,an),Tk=(y1,y2,…,yn)带入网络;
c、计算隐含层各单元输入sj经过传递函数得到输出bj,具体是:
<mrow>
<msub>
<mi>s</mi>
<mi>j</mi>
</msub>
<mo>=</mo>
<munderover>
<mo>&Sigma;</mo>
<mrow>
<mi>i</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mi>n</mi>
</munderover>
<msub>
<mi>&omega;</mi>
<mrow>
<mi>i</mi>
<mi>j</mi>
</mrow>
</msub>
<msub>
<mi>a</mi>
<mi>i</mi>
</msub>
<mo>-</mo>
<msub>
<mi>&theta;</mi>
<mi>j</mi>
</msub>
<mo>,</mo>
<mi>j</mi>
<mo>=</mo>
<mn>1</mn>
<mo>,</mo>
<mn>2</mn>
<mo>,</mo>
<mo>...</mo>
<mo>,</mo>
<mi>p</mi>
<mo>-</mo>
<mo>-</mo>
<mo>-</mo>
<mrow>
<mo>(</mo>
<mn>1</mn>
<mo>)</mo>
</mrow>
</mrow>
bj=f(sj),j=1,2,L,p (2)
d、计算输出层各单元输入Lt经过传递函数得到输出Ct,具体是:
<mrow>
<msub>
<mi>L</mi>
<mi>t</mi>
</msub>
<mo>=</mo>
<munderover>
<mo>&Sigma;</mo>
<mrow>
<mi>j</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mi>p</mi>
</munderover>
<msub>
<mi>&upsi;</mi>
<mrow>
<mi>j</mi>
<mi>t</mi>
</mrow>
</msub>
<msub>
<mi>b</mi>
<mi>j</mi>
</msub>
<mo>-</mo>
<msub>
<mi>&gamma;</mi>
<mi>t</mi>
</msub>
<mo>,</mo>
<mi>j</mi>
<mo>=</mo>
<mn>1</mn>
<mo>,</mo>
<mn>2</mn>
<mo>,</mo>
<mo>...</mo>
<mo>,</mo>
<mi>q</mi>
<mo>-</mo>
<mo>-</mo>
<mo>-</mo>
<mrow>
<mo>(</mo>
<mn>3</mn>
<mo>)</mo>
</mrow>
</mrow>
Ct=f(Lt),t=1,2,…,q (4)
e、由网络的目标Tk和实际输出Ck计算输出层各单元误差具体是:
<mrow>
<msubsup>
<mi>d</mi>
<mi>t</mi>
<mi>k</mi>
</msubsup>
<mo>=</mo>
<mrow>
<mo>(</mo>
<msubsup>
<mi>y</mi>
<mi>t</mi>
<mi>k</mi>
</msubsup>
<mo>-</mo>
<msub>
<mi>C</mi>
<mi>t</mi>
</msub>
<mo>)</mo>
</mrow>
<mo>&CenterDot;</mo>
<msub>
<mi>C</mi>
<mi>t</mi>
</msub>
<mrow>
<mo>(</mo>
<mn>1</mn>
<mo>-</mo>
<msub>
<mi>C</mi>
<mi>t</mi>
</msub>
<mo>)</mo>
</mrow>
<mo>,</mo>
<mi>t</mi>
<mo>=</mo>
<mn>1</mn>
<mo>,</mo>
<mn>2</mn>
<mo>,</mo>
<mo>...</mo>
<mo>,</mo>
<mi>q</mi>
<mo>-</mo>
<mo>-</mo>
<mo>-</mo>
<mrow>
<mo>(</mo>
<mn>5</mn>
<mo>)</mo>
</mrow>
</mrow>
f、计算隐含层各单元误差具体是:
<mrow>
<msubsup>
<mi>e</mi>
<mi>j</mi>
<mi>k</mi>
</msubsup>
<mo>=</mo>
<mo>&lsqb;</mo>
<munderover>
<mo>&Sigma;</mo>
<mrow>
<mi>t</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mi>q</mi>
</munderover>
<msub>
<mi>d</mi>
<mi>t</mi>
</msub>
<mo>&CenterDot;</mo>
<msub>
<mi>&upsi;</mi>
<mrow>
<mi>j</mi>
<mi>t</mi>
</mrow>
</msub>
<mo>&rsqb;</mo>
<msub>
<mi>b</mi>
<mi>j</mi>
</msub>
<mrow>
<mo>(</mo>
<mn>1</mn>
<mo>-</mo>
<msub>
<mi>b</mi>
<mi>j</mi>
</msub>
<mo>)</mo>
</mrow>
<mo>-</mo>
<mo>-</mo>
<mo>-</mo>
<mrow>
<mo>(</mo>
<mn>6</mn>
<mo>)</mo>
</mrow>
</mrow>
g、对权值υjt和阈值γj的修正,具体是:
<mrow>
<msub>
<mi>&upsi;</mi>
<mrow>
<mi>j</mi>
<mi>t</mi>
</mrow>
</msub>
<mrow>
<mo>(</mo>
<mi>N</mi>
<mo>+</mo>
<mn>1</mn>
<mo>)</mo>
</mrow>
<mo>=</mo>
<msub>
<mi>&upsi;</mi>
<mrow>
<mi>j</mi>
<mi>t</mi>
</mrow>
</msub>
<mrow>
<mo>(</mo>
<mi>N</mi>
<mo>)</mo>
</mrow>
<mo>+</mo>
<msubsup>
<mi>&alpha;d</mi>
<mi>t</mi>
<mi>k</mi>
</msubsup>
<msub>
<mi>b</mi>
<mi>j</mi>
</msub>
<mo>-</mo>
<mo>-</mo>
<mo>-</mo>
<mrow>
<mo>(</mo>
<mn>7</mn>
<mo>)</mo>
</mrow>
</mrow>
<mrow>
<msub>
<mi>&gamma;</mi>
<mi>t</mi>
</msub>
<mrow>
<mo>(</mo>
<mi>N</mi>
<mo>+</mo>
<mn>1</mn>
<mo>)</mo>
</mrow>
<mo>=</mo>
<msub>
<mi>&gamma;</mi>
<mi>t</mi>
</msub>
<mrow>
<mo>(</mo>
<mi>N</mi>
<mo>)</mo>
</mrow>
<mo>+</mo>
<msubsup>
<mi>&alpha;d</mi>
<mi>t</mi>
<mi>k</mi>
</msubsup>
<mo>-</mo>
<mo>-</mo>
<mo>-</mo>
<mrow>
<mo>(</mo>
<mn>8</mn>
<mo>)</mo>
</mrow>
</mrow>
t=1,2,…,q;j=1,2,…,p;0<α<1 (9)
h、对连接权和阈值θj的修正,具体是:
<mrow>
<msub>
<mi>&omega;</mi>
<mrow>
<mi>i</mi>
<mi>j</mi>
</mrow>
</msub>
<mrow>
<mo>(</mo>
<mi>N</mi>
<mo>+</mo>
<mn>1</mn>
<mo>)</mo>
</mrow>
<mo>=</mo>
<msub>
<mi>&omega;</mi>
<mrow>
<mi>i</mi>
<mi>j</mi>
</mrow>
</msub>
<mrow>
<mo>(</mo>
<mi>N</mi>
<mo>)</mo>
</mrow>
<mo>+</mo>
<msubsup>
<mi>&beta;e</mi>
<mi>j</mi>
<mi>k</mi>
</msubsup>
<msubsup>
<mi>a</mi>
<mi>i</mi>
<mi>k</mi>
</msubsup>
<mo>-</mo>
<mo>-</mo>
<mo>-</mo>
<mrow>
<mo>(</mo>
<mn>10</mn>
<mo>)</mo>
</mrow>
</mrow>
<mrow>
<msub>
<mi>&theta;</mi>
<mi>j</mi>
</msub>
<mrow>
<mo>(</mo>
<mi>N</mi>
<mo>+</mo>
<mn>1</mn>
<mo>)</mo>
</mrow>
<mo>=</mo>
<msub>
<mi>&theta;</mi>
<mi>j</mi>
</msub>
<mrow>
<mo>(</mo>
<mi>N</mi>
<mo>)</mo>
</mrow>
<mo>+</mo>
<msubsup>
<mi>&beta;e</mi>
<mi>j</mi>
<mi>k</mi>
</msubsup>
<mo>-</mo>
<mo>-</mo>
<mo>-</mo>
<mrow>
<mo>(</mo>
<mn>11</mn>
<mo>)</mo>
</mrow>
</mrow>
i=1,2,…,n;j=1,2,…,p;0<β<1 (12)
i、再随机从训练样本集中挑选一个样本至网络,从步骤c重新开始,直至所有样本被网络训练过;
j、再重新随机从训练样本集中挑选一个样本Pi,Ti至网络,从步骤c重新开始,得到新的输出值Ci,根据要求如果满足:
|Ci-Ti|<ε (13)
当存在一个大于0的极小数ε满足上面条件,说明网络收敛,或达到设定的最大训练次数,则学习停止;否则,从步骤c重新开始,继续对权值和阈值进行修改直至满足条件为止。
6.根据权利要求5所述的一种基于带动量项神经网络的光互连模块耦合效率预测方法,其特征在于,步骤g和步骤h中,利用带动量项对标准BP神经网络进行改进,具体是在步骤g和步骤h中增加动量项,是在网络学习训练的误差反向传播过程中,权值的修改量增加一定比例的上一次权值的修改量,进而进行权值和阈值的修正,其公式为:
<mrow>
<mi>&Delta;</mi>
<mi>w</mi>
<mrow>
<mo>(</mo>
<mi>k</mi>
<mo>+</mo>
<mn>1</mn>
<mo>)</mo>
</mrow>
<mo>=</mo>
<mrow>
<mo>(</mo>
<mn>1</mn>
<mo>-</mo>
<msub>
<mi>m</mi>
<mi>c</mi>
</msub>
<mo>)</mo>
</mrow>
<mi>&eta;</mi>
<mo>&dtri;</mo>
<mi>f</mi>
<mrow>
<mo>(</mo>
<mi>w</mi>
<mo>(</mo>
<mi>k</mi>
<mo>)</mo>
<mo>)</mo>
</mrow>
<mo>+</mo>
<msub>
<mi>m</mi>
<mi>c</mi>
</msub>
<mrow>
<mo>(</mo>
<mi>w</mi>
<mo>(</mo>
<mi>k</mi>
<mo>)</mo>
<mo>-</mo>
<mi>w</mi>
<mo>(</mo>
<mrow>
<mi>k</mi>
<mo>-</mo>
<mn>1</mn>
</mrow>
<mo>)</mo>
<mo>)</mo>
</mrow>
<mo>-</mo>
<mo>-</mo>
<mo>-</mo>
<mrow>
<mo>(</mo>
<mn>14</mn>
<mo>)</mo>
</mrow>
</mrow>
公式(14)中,w为权值;k为迭代次数;mc为动量因子,在[0,1]之间;η为学习率,为误差函数梯度。
7.根据权利要求5所述的一种基于带动量项神经网络的光互连模块耦合效率预测方法,其特征在于,步骤j中,利用引入惩罚函数项对标准BP神经网络进行改进,具体是增加惩罚函数项,引入惩罚项的误差函数的修改公式为:
Ek+1(w)=Ek(w)+λC(w) (15)
公式(15)中,Ek(w)为网络误差平方和,k为迭代次数,C(w)为惩罚函数,λ为惩罚项函数的系数。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710823530.XA CN107480404B (zh) | 2017-09-13 | 2017-09-13 | 基于带动量项神经网络的光互连模块耦合效率预测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710823530.XA CN107480404B (zh) | 2017-09-13 | 2017-09-13 | 基于带动量项神经网络的光互连模块耦合效率预测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN107480404A true CN107480404A (zh) | 2017-12-15 |
CN107480404B CN107480404B (zh) | 2020-09-11 |
Family
ID=60584547
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201710823530.XA Active CN107480404B (zh) | 2017-09-13 | 2017-09-13 | 基于带动量项神经网络的光互连模块耦合效率预测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN107480404B (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108776735A (zh) * | 2018-06-05 | 2018-11-09 | 温州大学 | 一种电子设备系统板热设计的优化方法 |
CN109376372A (zh) * | 2018-08-29 | 2019-02-22 | 桂林电子科技大学 | 一种优化光互连模块关键位置焊后耦合效率方法 |
CN112364569A (zh) * | 2020-11-26 | 2021-02-12 | 北京工业大学 | 一种应用人工神经元网络的模锻工艺智能决策方法 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103150594A (zh) * | 2013-03-18 | 2013-06-12 | 山东电力集团公司济宁供电公司 | 基于加动量项bp神经网络的变压器故障诊断方法 |
CN105319655A (zh) * | 2014-06-30 | 2016-02-10 | 北京世维通科技发展有限公司 | 一种光学集成芯片与光纤组件的自动耦合方法及系统 |
-
2017
- 2017-09-13 CN CN201710823530.XA patent/CN107480404B/zh active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103150594A (zh) * | 2013-03-18 | 2013-06-12 | 山东电力集团公司济宁供电公司 | 基于加动量项bp神经网络的变压器故障诊断方法 |
CN105319655A (zh) * | 2014-06-30 | 2016-02-10 | 北京世维通科技发展有限公司 | 一种光学集成芯片与光纤组件的自动耦合方法及系统 |
Non-Patent Citations (3)
Title |
---|
吴松等: "热循环加载条件下焊点形态参数对板级光互连模块对准偏移影响分析", 《电子学报》 * |
田野: "基于动量因子的神经网络群电流负荷预测模型", 《电力系统保护与控制》 * |
黄春跃等: "温度载荷下光互连模块对准偏移分析", 《中国电子科学研究院学报》 * |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108776735A (zh) * | 2018-06-05 | 2018-11-09 | 温州大学 | 一种电子设备系统板热设计的优化方法 |
CN108776735B (zh) * | 2018-06-05 | 2022-06-17 | 温州大学 | 一种电子设备系统板热设计的优化方法 |
CN109376372A (zh) * | 2018-08-29 | 2019-02-22 | 桂林电子科技大学 | 一种优化光互连模块关键位置焊后耦合效率方法 |
CN109376372B (zh) * | 2018-08-29 | 2022-11-18 | 桂林电子科技大学 | 一种优化光互连模块关键位置焊后耦合效率方法 |
CN112364569A (zh) * | 2020-11-26 | 2021-02-12 | 北京工业大学 | 一种应用人工神经元网络的模锻工艺智能决策方法 |
Also Published As
Publication number | Publication date |
---|---|
CN107480404B (zh) | 2020-09-11 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107480404B (zh) | 基于带动量项神经网络的光互连模块耦合效率预测方法 | |
Baker et al. | PASLINK and dynamic outdoor testing of building components | |
Duru et al. | CNNFOIL: Convolutional encoder decoder modeling for pressure fields around airfoils | |
Ceze et al. | Drag prediction using adaptive discontinuous finite elements | |
CN115577436B (zh) | 一种求解不确定结构风致振动响应的组合深度学习方法 | |
Hasanzadeh et al. | Quasi-steady convergence of multistep Navier–Stokes icing simulations | |
Li et al. | A new approach to solve uncertain multidisciplinary design optimization based on conditional value at risk | |
Li et al. | K-BP neural network-based strain field inversion and load identification for CFRP | |
CN109919082A (zh) | 基于lstm与emd的模态识别方法 | |
Destarac et al. | Example of a pitfall in aerodynamic shape optimization | |
Wang et al. | Artificial intelligent fault diagnosis system of complex electronic equipment | |
Wu et al. | Multi-objective robust design optimization of fatigue life for a welded box girder | |
Zhao et al. | Setting adaptive inspection intervals in helicopter components, based on a Digital Twin | |
CN115758874A (zh) | 基于物理约束神经网络的电力设备传热建模方法及系统 | |
Tang et al. | Novel solution framework for inverse problem considering interval uncertainty | |
CN107622144A (zh) | 基于序贯方法的区间不确定性条件下多学科可靠性优化设计方法 | |
CN117057190A (zh) | 一种轨道车辆制动盘温升预测方法 | |
Zobeiry et al. | Theory-guided machine learning composites processing modelling for manufacturability assessment in preliminary design | |
Duan et al. | Two-way trumpetnets and tubenets for identification of material parameters | |
CN117077526A (zh) | 基于数字孪生的雷达tr模块温度预测方法 | |
Luo et al. | You only search once: On lightweight differentiable architecture search for resource-constrained embedded platforms | |
CN106777032A (zh) | 一种云计算环境下的混合近似查询方法 | |
Na et al. | An adhesive joint strength evaluation method and its application in mechanical engineering | |
CN113536489B (zh) | 一种组件封装的连接构型和工艺参数确定方法 | |
Zheng et al. | Nonlinear manifold learning and model reduction for transonic flows |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant | ||
TR01 | Transfer of patent right |
Effective date of registration: 20220113 Address after: 541004 fifth floor, building 1, information industry park, high tech Zone, Qixing District, Guilin City, Guangxi Zhuang Autonomous Region Patentee after: Guilin Yuanjing Electronic Technology Co.,Ltd. Address before: 541004 1 Jinji Road, Guilin, the Guangxi Zhuang Autonomous Region Patentee before: GUILIN University OF ELECTRONIC TECHNOLOGY |
|
TR01 | Transfer of patent right |