CN112687351A - 一种基于遗传算法-bp神经网络快速预测复合介质微波电磁性能的方法 - Google Patents

Abstract

本发明提出一种基于遗传算法‑BP神经网络快速预测复合介质微波电磁性能的方法，所述方法包括步骤一、样品基础参数的获取；步骤二、遗传算法‑BP神经网络模型体系构建；所述体系构建包括BP神经网络的设计和遗传算法‑BP神经网络的设计；步骤三、遗传算法‑BP神经网络的训练；步骤四、基于遗传算法‑BP神经网络的性能预测：载入原始数据形成涵盖任意填充率的电磁性能预测，并自动输出。本发明中通过遗传算法的引入大幅度提高了预测的精度、避免了传统BP神经网络局部优化和过拟合问题，大大提高了预测效率、降低了预测偏差所带来的技术风险，对比与传统BP预测方法有显著优势。

Description

一种基于遗传算法-BP神经网络快速预测复合介质微波电磁 性能的方法

技术领域

本发明属于复合介质电磁性能调控技术领域，特别是涉及一种基于遗传算法-BP神经网络快速预测复合介质微波电磁性能的方法。

背景技术

吸波涂层是雷达隐身技术及电磁污染防治技术的重要组成部分，其应用可以实现目标电磁特性的消隐或杂散电磁波的吸收。隐身涂层的工作原理是通过其中的吸收剂吸收、损耗入射电磁波从而抑制电磁反射，其基本形式是电磁损耗组元分布于基质形成复合材料膜层。在此复合材料膜层中，吸收剂种类、含量及其分布是影响涂层电磁波吸收性能的决定性因素；具体而言，涂层中吸收剂种类、含量的变化会导致涂层电磁参数(复数介电常数和复数磁导率)的变化并进而影响电磁波吸收性能。因此，吸收剂种类、含量的选择是吸波涂层设计的关键参数。

在传统的设计方法下，吸收剂的类型、含量既定时，相应涂层的电磁性能必需经过测试才能获得，而针对某一波段的设计要求即是获取多类型/含量吸收剂涂层的电磁性能。在此背景下，完全依赖实测获取电磁性能的数据不仅耗时费力、而且不能支撑即时设计。尤其，当涂层设计要求采用多组分混合吸收剂时，相应测试样品的制备变得异常复杂，相应的涂层设计几乎难以实施。近年来，随着吸波涂层应用要求的快速发展，目标波段、目标效率的要求日益苛刻。在此情况下，多吸收剂混合、吸收剂含量微调成为涂层设计中的必然常态。因此，传统技术体系下以样品实测支撑设计的方法遭遇瓶颈。

若在吸收剂种类既定的情况下，能够基于少数(3-6个)填充率已知样品的测试数据推知任意填充率下涂层的电磁性能，即可快速获取必要的参数、支撑涂层设计；进一步地，若基于少数含混合吸收剂样品的测量能够推知任意混合比例下涂层的电磁性能，即可在吸收剂群组既定、吸收剂配比变化时快速测算相应涂层的电磁性能、支撑即时设计。考虑到电磁性能的复杂性，吸收剂配比及含量的变化对电磁性能的影响并非线性，因此如何通过数据来挖掘解析吸收剂配比/含量与电磁参数之间的关联性、并实现任意吸收剂配比/含量下涂层性能计算成为关键难题。

本发明针对任意吸收剂种类/含量下涂层电磁性能获取的难题，基于数据挖掘技术建立了有效的测算方法，实现了吸收剂种类/含量变化时涂层电磁参数的快速获取。

发明内容

本发明目的是为了解决现有技术中的问题，提出了一种基于遗传算法-BP神经网络快速预测复合介质微波电磁性能的方法。

本发明是通过以下技术方案实现的，本发明提出一种基于遗传算法-BP神经网络快速预测复合介质微波电磁性能的方法，所述电磁性能的预测包含两种情况：(1)单一吸收剂：吸收剂既定、填充率任意的系列材料；(2)多元混合吸收剂：含有既定的多种吸收剂，各吸收剂的相对含量，即填充率，任意的系列材料；

所述方法包括以下步骤：

步骤一、样品基础参数的获取；

对于单一吸收剂的材料而言，选定的填充率应该涵盖低、中、高三个典型区间，考虑到粉末填充的实际情况，从而在5-10vol.％、20-25vol.％、40-50vol.％三个范围内各取一值作为低、中、高含量的典型代表；对于多元混合吸收剂的材料而言，首先保证各吸收剂总体填充率之和符合前述低、中、高填充率各有取值的要求；其次，在总体填充率既定的基础上，各吸收剂的相对含量也应该涵盖低、中、高的选择；

步骤二、遗传算法-BP神经网络模型体系构建；所述体系构建包括BP神经网络的设计和遗传算法-BP神经网络的设计；

步骤三、遗传算法-BP神经网络的训练；

步骤四、基于遗传算法-BP神经网络的性能预测：载入原始数据形成涵盖任意填充率的电磁性能预测，并自动输出。

进一步地，所述原始数据具体为：第一种情况下，电磁性能的预测要求测定吸收剂既定、3-5水平填充率样品的电磁性能作为遗传算法-BP神经网络训练的原始数据；第二种情况下，电磁性能的预测要求测定吸收剂群组既定、各吸收剂相对含量各自差异的4-6个样品的电磁性能，以作为遗传算法-BP神经网络训练的原始数据。

进一步地，所述BP神经网络的设计具体为：

所述BP神经网络由输入层，隐含层和输出层组成，层与层之间设计有两种信号在流通：一种是工作信号，它是施加在输入端产生实际输出的信号，是输入和权值的函数；另一种是误差信号，网络实际输出与期望输出之间差值即为误差，它由输出端开始逐层向后传播；

所述BP神经网络的计算过程如下：

针对信号的前向传播过程，隐含层第i个节点的输入net_i：

其中M表示输出层节点个数，ω_ij表示隐含层第i个节点到输出层第j个节点的权值，x_j表示输入层第j个节点的输出，θ_i表示隐含层第i个节点的阈值；

隐含层第i个节点的输出

式中φ为隐含层的激励函数；

输出层第k个节点的输入net_k：

式中，q表示隐含层节点总数，ω_ik为隐含层第i个节点到输出层第k个节点的权值；y_i为隐含层第i个节点的输出，α_k为输出层第k个节点的阈值；

输出层第k个节点的输出o_k＝ψ(net_k)，其中ψ为输出层的激励函数；

误差的反向传播，首先由输出层开始逐层计算各层神经元的输出误差，然后根据误差下降法来调节各层的权值和阈值，使修改后的网络的最终输出趋于期望值。

进一步地，所述遗传算法-BP神经网络的设计为引入遗传算法对BP神经网络的初始权值和阈值进行优化，具体优化流程为：

步骤1、确定神经网络的拓扑结构；

步骤2、对神经网络权值和阈值编码，得到初始种群；

步骤3、解码得到权值和阈值；

步骤4、将权值和阈值赋给新建的BP神经网络；

步骤5、使用训练样本训练网络；

步骤6、使用测试样本测试网络；

步骤7、测试网络；

步骤8、计算适应度；

步骤9、选择适应度高的染色体进行复制；

步骤10、交叉；

步骤11、变异；

步骤12、得到新群体；

步骤13、判断是否满足终止条件，如果满足，则进行解码操作，得到最佳神经网络权值和阈值；如果不满足，则执行步骤3。

进一步地，所述权值和阈值均为-0.5到0.5范围内的数。

本发明有益效果：

本发明提出了电磁波吸收材料电磁性能快速预测方法，可以实现含单一/混杂吸收剂、任意填充率材料的微波电磁参数的准确预测，摒弃了传统“试制-测试”方法效率低下、无法连续变化的缺点，是实现电磁性能快速测算的崭新技术；本发明中通过遗传算法的引入大幅度提高了预测的精度、避免了传统BP神经网络局部优化和过拟合问题，大大提高了预测效率、降低了预测偏差所带来的技术风险，对比与传统BP预测方法有显著优势。该发明实现了吸收剂种类既定、各吸收剂含量联系变化时，复合介质微波电磁性能定的准确预测，从而形成了一种电磁性能数据衍生的能力，即可以从有限的测试结果衍生全成分范围的性能数据，可以支撑隐身材料数据库的建立、数据挖掘，为材料性能数据的迅速预测和即时优化提供了工具，为吸波涂层设计的数字化、智能化提供了支撑。该技术的应用，可以大幅度提高电磁波吸收材料设计的效率和可靠性，对电磁污染防治技术的发展具有重要意义。

附图说明

图1为BP神经网络计算过程流程图；

图2为基于遗传算法优化BP神经网络设计流程图；

图3为C0.2与F25混合体系吸收剂微波电磁性能示意图，(a)复介电常数；(b)复磁导率；

图4为现有神经网络模型对训练样本预测值与实测值比较示意图，(a)复介电常数；(b)复磁导率；

图5为遗传算法优化BP神经网络模型对验证样本预测值与实测值比较示意图，(a)复介电常数；(b)复磁导率；

图6为本发明所述模型对F25填充率为20％的混合体系吸收剂微波电磁性能预测结果示意图，(a)介电常数实部；(b)介电常数虚部；(c)磁导率实部；(d)磁导率虚部；

图7为本发明所述模型对C0.2填充率为20％的混合体系吸收剂微波电磁性能预测结果示意图，(a)介电常数实部；(b)介电常数虚部；(c)磁导率实部；(d)磁导率虚部；

图8为C0.2吸收剂微波电磁性能示意图，(a)复介电常数；(b)复磁导率；

图9为本发明所述模型对Co0.2吸收剂填充率微波电磁性能预测结果示意图，(a)介电常数实部；(b)介电常数虚部；(c)磁导率实部；(d)磁导率虚部；

图10为F25吸收剂微波电磁性能示意图，(a)复介电常数；(b)复磁导率；

图11为本发明所述模型对F25吸收剂微波电磁性能预测结果示意图，(a)介电常数实部；(b)介电常数虚部；(c)磁导率实部；(d)磁导率虚部。

具体实施方式

下面将结合本发明实施例中的附图对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

本发明提出一种基于遗传算法-BP神经网络快速预测复合介质微波电磁性能的方法，所述电磁性能的预测包含两种情况：(1)单一吸收剂：吸收剂既定、填充率任意的系列材料；(2)多元混合吸收剂：含有既定的多种(可以为2-4种)吸收剂，各吸收剂的相对含量，即填充率，任意的系列材料；

所述方法包括以下步骤：

步骤一、样品基础参数的获取；

本发明选定样品电磁性能定测试主要通过网络矢量分析器进行，对于单一吸收剂的材料而言，选定的填充率应该涵盖低、中、高三个典型区间，考虑到粉末填充的实际情况，从而在5-10vol.％、20-25vol.％、40-50vol.％三个范围内各取一值作为低、中、高含量的典型代表；对于多元混合吸收剂的材料而言，首先保证各吸收剂总体填充率之和符合前述低、中、高填充率各有取值的要求；其次，在总体填充率既定的基础上，各吸收剂的相对含量也应该涵盖低、中、高的选择；结合吸收剂设计的实际，两种吸收剂混合填充时、两者相对含量应该在8:2、6:4、2:8附近各有取值；三种吸收剂混合填充时，三者相对含量应该在1:3:6、2:3:5、5:3:2、6:3:1四个水平附近各有取值。

步骤二、遗传算法-BP神经网络模型体系构建；所述体系构建包括BP神经网络的设计和遗传算法-BP神经网络的设计；

所述BP神经网络的设计具体为：

所述BP神经网络由输入层，隐含层和输出层组成，层与层之间设计有两种信号在流通：一种是工作信号，它是施加在输入端产生实际输出的信号，是输入和权值的函数；另一种是误差信号，网络实际输出与期望输出之间差值即为误差，它由输出端开始逐层向后传播；

结合图1，所述BP神经网络的计算过程如下：

针对信号的前向传播过程，隐含层第i个节点的输入net_i：

其中，M表示输出层节点个数，ω_ij表示隐含层第i个节点到输出层第j个节点的权值，x_j表示输入层第j个节点的输出，θ_i表示隐含层第i个节点的阈值；

隐含层第i个节点的输出

式中φ为隐含层的激励函数；

输出层第k个节点的输入net_k：

式中，q表示隐含层节点总数，ω_ik为隐含层第i个节点到输出层第k个节点的权值；y_i为隐含层第i个节点的输出，α_k为输出层第k个节点的阈值；

输出层第k个节点的输出o_k＝ψ(net_k)，其中ψ为输出层的激励函数；

误差的反向传播，首先由输出层开始逐层计算各层神经元的输出误差，然后根据误差下降法来调节各层的权值和阈值，使修改后的网络的最终输出趋于期望值。

本发明中BP神经网络结构中主要需要考虑输入层、输出层神经元节点个数，隐含层层数和每层的神经元节点个数。在本发明中采用三层网络结构、一个隐含层，经大量试算确定隐含层神经元个数为50个、输出层节点为4个。因此，本发明中电磁性能预测的最优BP神经网络结构为：3-50-4。

为避免传统BP神经网络下模型训练易陷入局部最小点、预测结果严重偏差以及收敛速度慢、过拟合等问题，本发明引入遗传算法对BP神经网络的初始权值和阈值进行优化，以大幅降低模型的输出误差、减少过拟合现象。其基本思路是将神经网络算法部分作为遗传算法的一个目标函数，以衡量预测样本预测误差的函数(如均方误差)作为遗传算法的适应度函数。误差越小表示网络预测精度越高，在遗传算法部分得到的该个体的适应度值也越大。结合图2，所述遗传算法-BP神经网络的设计为引入遗传算法对BP神经网络的初始权值和阈值进行优化，具体优化流程为：

步骤1、确定神经网络的拓扑结构；

步骤2、对神经网络权值和阈值编码，得到初始种群；

步骤3、解码得到权值和阈值；

步骤4、将权值和阈值赋给新建的BP神经网络；

步骤5、使用训练样本训练网络；

步骤6、使用测试样本测试网络；

步骤7、测试网络；

步骤8、计算适应度；

步骤9、选择适应度高的染色体进行复制；

步骤10、交叉；

步骤11、变异；

步骤12、得到新群体；

步骤13、判断是否满足终止条件，如果满足，则进行解码操作，得到最佳神经网络权值和阈值；如果不满足，则执行步骤3。

本发明采用格雷码的编码方式。考虑到本发明中BP神经网络的3-50-4结构，二进制串由四部分组成，分别是输入层与隐含层连接权值、隐含层阈值、隐含层与输出层连接权值和输出层阈值，具体权值和阈值的个数如表1所示。

表1 格雷码分配表

各权值和阈值均为-0.5到0.5范围内的数，为保证精度，权值和阈值的编码均采用10位，个体的二进制编码共4040位。其中，1-1500位为输入层与隐含层连接权值；1501-2000位为隐含层阈值；2001-4000位为隐含层与输出层连接权值；4001-4040位为输出层阈值。

保留格雷码的最高位作为二进制代码的最高位，二进制代码的次高位为二进制代码的最高位与格雷码次高位的异或，其余位与次高位求法相同。得到二进制编码后可以通过以下公式转换为十进制：

式中X为十进制代码；b_i为二进制数。

权值、阈值均为-0.5到0.5范围内的数，故十进制数X对应的权值或阈值为：

使用BP神经网络对电磁性能进行预测时，希望对验证样本的预测值与实测值的误差尽可能小，所以选择均方误差作为目标函数的输出。

鉴于轮盘赌选择法简单、实用，本发明采用该方法作为选择算子。在轮盘赌选择法中，个体选择的概率与适应度成正比。假设群体大小为1，个体i的适应度为f_i，则i被选择的概率p_i为：

显然，个体适应度越大，其选择概率越大，反之也是如此。

本文采用的交叉算子进行交操作；通过0→1或1→0变化进行变异操作，变异概率为0.0001。

步骤三、遗传算法-BP神经网络的训练；

对于简单体系吸收剂的电磁性能模型，模型的输入变量有两个，分别是电磁波的频率(2-18GHz)，吸收剂的填充率，模型的输出量有四个，分别对应复介电常数的实部、虚部和复磁导率的实部、虚部。对于混合体系吸收剂的电磁性能模型，模型的输入变量有三个分别是电磁波的频率(2-18GHz)，第一种吸收剂的填充率和第二种吸收剂的填充率，模型的输出有四个，分别对应复介电常数的实部、虚部和复磁导率的实部、虚部。

将实验数据分为两组，分别作为训练样本和验证样本，训练样本用来训练BP神经网络，验证样本用来评估模型的泛化能力。每组试验数据包含三个输入参数，四个输出参数，输入参数包括电磁波频率，吸收剂1的填充率，吸收剂2的填充率，输出参数包括复介电常数的实部、虚部和复磁导率的实部、虚部。

输入参数在输入模型前要进行归一化处理，消除量纲的影响，并提高训练的收敛速度。归一化通过下面的方程实现：

式中，X为归一化后的值；X₀为实际值；X_min为输入参数最小值；X_max为输入参数最大值。

采用均方误差(MSE)来评价模型对训练样本的输出与实测值的误差，设置的训练目标误差为0.001。持续进行训练直至模型对训练样本的误差达到预设目标；通过回归曲线，继续考察模型泛化能力，通过训练样本和验证样本的误差直方图评价模型误差的概率、分布特性和原因。

上述指标达到预设指标之后，可判断模型正确、数据挖掘方法可靠。至此，遗传算法-BP神经网络的数据挖掘方法建立。

步骤四、基于遗传算法-BP神经网络的性能预测：载入原始数据形成涵盖任意填充率的电磁性能预测，并自动输出。

所述原始数据具体为：第一种情况下，电磁性能的预测要求测定吸收剂既定、3-5水平填充率样品的电磁性能作为遗传算法-BP神经网络训练的原始数据；第二种情况下，电磁性能的预测要求测定吸收剂群组(即吸收剂类别及其搭配)既定、各吸收剂相对含量各自差异的4-6个样品的电磁性能，以作为遗传算法-BP神经网络训练的原始数据。基于上述要求，本发明的技术体系主要包括选定样本性能的测试以及基于遗传算法-BP神经网络算法的数据挖掘；其中，前者通过对单一吸收剂种类/群组、填充率/成分样品的微波电磁性能进行系统测试，后者主要通过对既有实测结果的分析实现同一种类/族群下任意填充率/成分样品的电磁性能预测。

实施例1：C0.2/F25混合填充复合材料电磁性能预测

本实施例针对C0.2/F25混合填充复合材料的微波电磁性能进行预测，参照本发明所述方法，本实施例中电磁性能预测分为基础样本电磁性能测试、模型训练和性能预测三个步骤完成。

1、C0.2/F25混合填充复合材料电磁性能测试

考察C0.2(Co)与F25(FeSi)混合填充复合材料的微波电磁性能，吸收剂的组成为：20wt％Co+50wt.％FeSi、35wt％Co+35wt.％FeSi、50wt％Co+20wt.％FeSi。图3所示为C0.2、Fe25混合体系基础测试样品的微波电磁性能表征结果。

2、模型训练

在上述测试的基础上，选用两个配比(20wt％Co+50wt.％FeSi、50wt％Co+20wt.％FeSi)下测得的电磁参数对Co+FeSi混合填充复合材料的性能预测模型进行训练，并以C-35％+FeSi-35％样品进行实测验证。在此实施例中同时采用传统BP神经网络和遗传算法优化BP神经网络进行预测，并对预测结果进行了对比。

首先采用均方误差(MSE)来评价模型对训练样本的输出与实测值的误差，设置的训练目标误差为0.001。图4所示为采用BP神经网络、随机初始权值/阈值不经遗传算法优化时模型预测的结果。可见，经过7次训练后，尽管均方误差显示训练目标达成、模型对训练样本的误差达到预设目标。但是，考察模型对验证样本的输出即可发现，随机选取初始权值、阈值时模型存在显著不足，尽管BP神经网络收敛速度较快，但是模型泛化能力很差，对预测样本的预测误差很大，还存在非常明显的过拟合，无法用于优化计算。此外，由于模型的初始权值和阈值是计算机随机确定的，所以每次运算的结果都不一样，这就更加无法确定模型的精度，进一步限制了模型的广泛应用。

为了解决上述问题，采用遗传算法对BP神经网络进行优化。图5所示为优化模型经30次训练之后模型预测值与验证值之间的对比。对比表明，经过30次训练之后，预测值与实测值已经十分接近、且未出现过拟合现象。

比较图4和图5的预测结果不难看出，经过遗传算法优化初始权值、阈值后，尽管模型训练过程中收敛速度变慢，但BP神经网络对验证样本的预测值和实测值之间的误差显著减小，且不存在非常明显的过拟合现象，模型的泛化能力得到很大提高。

3、性能预测

在上述模型训练的基础上，对C0.2/F25混合填充复合材料的电磁性能进行预测。

固定Fe25填充率为20wt.％、C0.2的填充率在20％至70％之间连续变化时，复合材料介电常数和磁导率的模型预测结果如图6所示。

固定C0.2填充率为20wt.％、F25的填充率在20％至70％之间连续变化时，复合材料介电常数和磁导率的模型预测结果如图7所示。

实施例2：含C0.2吸收剂复合介质的电磁性能预测

本实施例针对含C0.2吸收剂复合材料的微波电磁性能进行预测，参照本发明所述方法，本实施例中电磁性能预测也分三个步骤完成；因所采用的模型在实施例1中已经进行了训练，因此在本例中直接使用。

1、含C0.2吸收剂复合材料微波电磁性能测试

分别制备了C0.2吸收剂含量为40wt.％(7.1vol.％)、60wt.％(14.8vol.％)、70wt.％(21.2vol.％)、80wt.％(31.5vol.％)的样品、制备同轴线样品，在网络适量分析器上进行测试，测得结果如图8所示。

2、含C0.2吸收剂复合材料微波电磁性能预测

对于C0.2吸收剂，待预测的填充率范围为40％-90％，图9是模型对C0.2填充率在40％至90％之间变化的吸收剂的预测结果。图中，三维图的X轴是频率，Y轴是填充率，纵轴分别是介电常数的实部虚部、磁导率的实部虚部。彩色的线是实测值，可见实测值曲线很好的贴合于预测数据的曲面上、这表明模型预测的准确性相当高。

实施例3：含F25吸收剂复合材料电磁性能预测

本实施例针对含F25吸收剂复合材料的微波电磁性能进行预测，参照本发明所述方法，本实施例中电磁性能预测也分三个步骤完成；因所采用的模型在实施例1中已经进行了训练，因此在本例中直接使用。

1、含F25吸收剂复合材料的电磁性能测试

分别制备了F25吸收剂含量为40wt.％(7.1vol.％)、60wt.％(14.8vol.％)、70wt.％(21.2vol.％)、80wt.％(31.5vol.％)的样品、制备同轴线样品，在网络适量分析器上进行测试，测得结果如图10所示。

2、含F25吸收剂复合材料电磁性能预测

对于F25吸收剂，待预测的填充率范围为40％-90％，图11是模型对F25填充率在40％至90％之间变化的吸收剂的预测结果。图中，三维图的X轴是频率，Y轴是填充率，纵轴分别是介电常数的实部虚部、磁导率的实部虚部。实测验证表明，该模型预测的准确性相当高。

以上对本发明所提出的一种基于遗传算法-BP神经网络快速预测复合介质微波电磁性能的方法，进行了详细介绍，本文中应用了具体个例对本发明的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本发明的方法及其核心思想；同时，对于本领域的一般技术人员，依据本发明的思想，在具体实施方式及应用范围上均会有改变之处，综上所述，本说明书内容不应理解为对本发明的限制。

Claims (5)

1.一种基于遗传算法-BP神经网络快速预测复合介质微波电磁性能的方法，其特征在于：所述电磁性能的预测包含两种情况：(1)单一吸收剂：吸收剂既定、填充率任意的系列材料；(2)多元混合吸收剂：含有既定的多种吸收剂，各吸收剂的相对含量，即填充率，任意的系列材料；

所述方法包括以下步骤：

步骤一、样品基础参数的获取；

对于单一吸收剂的材料而言，选定的填充率应该涵盖低、中、高三个典型区间，考虑到粉末填充的实际情况，从而在5-10vol.％、20-25vol.％、40-50vol.％三个范围内各取一值作为低、中、高含量的典型代表；对于多元混合吸收剂的材料而言，首先保证各吸收剂总体填充率之和符合前述低、中、高填充率各有取值的要求；其次，在总体填充率既定的基础上，各吸收剂的相对含量也应该涵盖低、中、高的选择；

步骤二、遗传算法-BP神经网络模型体系构建；所述体系构建包括BP神经网络的设计和遗传算法-BP神经网络的设计；

步骤三、遗传算法-BP神经网络的训练；

步骤四、基于遗传算法-BP神经网络的性能预测：载入原始数据形成涵盖任意填充率的电磁性能预测，并自动输出。

2.根据权利要求1所述的方法，其特征在于：所述原始数据具体为：第一种情况下，电磁性能的预测要求测定吸收剂既定、3-5水平填充率样品的电磁性能作为遗传算法-BP神经网络训练的原始数据；第二种情况下，电磁性能的预测要求测定吸收剂群组既定、各吸收剂相对含量各自差异的4-6个样品的电磁性能，以作为遗传算法-BP神经网络训练的原始数据。

3.根据权利要求1所述的方法，其特征在于：所述BP神经网络的设计具体为：

所述BP神经网络由输入层，隐含层和输出层组成，层与层之间设计有两种信号在流通：一种是工作信号，它是施加在输入端产生实际输出的信号，是输入和权值的函数；另一种是误差信号，网络实际输出与期望输出之间差值即为误差，它由输出端开始逐层向后传播；

所述BP神经网络的计算过程如下：

针对信号的前向传播过程，隐含层第i个节点的输入net_i：

其中M表示输出层节点个数，ω_ij表示隐含层第i个节点到输出层第j个节点的权值，x_j表示输入层第j个节点的输出，θ_i表示隐含层第i个节点的阈值；

隐含层第i个节点的输出

式中φ为隐含层的激励函数；

输出层第k个节点的输入net_k：

式中，q表示隐含层节点总数，ω_ik为隐含层第i个节点到输出层第k个节点的权值；y_i为隐含层第i个节点的输出，α_k为输出层第k个节点的阈值；

输出层第k个节点的输出o_k＝ψ(net_k)，其中ψ为输出层的激励函数；

误差的反向传播，首先由输出层开始逐层计算各层神经元的输出误差，然后根据误差下降法来调节各层的权值和阈值，使修改后的网络的最终输出趋于期望值。

4.根据权利要求3所述的方法，其特征在于：所述遗传算法-BP神经网络的设计为引入遗传算法对BP神经网络的初始权值和阈值进行优化，具体优化流程为：

步骤1、确定神经网络的拓扑结构；

步骤2、对神经网络权值和阈值编码，得到初始种群；

步骤3、解码得到权值和阈值；

步骤4、将权值和阈值赋给新建的BP神经网络；

步骤5、使用训练样本训练网络；

步骤6、使用测试样本测试网络；

步骤7、测试网络；

步骤8、计算适应度；

步骤9、选择适应度高的染色体进行复制；

步骤10、交叉；

步骤11、变异；

步骤12、得到新群体；

步骤13、判断是否满足终止条件，如果满足，则进行解码操作，得到最佳神经网络权值和阈值；如果不满足，则执行步骤3。

5.根据权利要求4所述的方法，其特征在于：所述权值和阈值均为-0.5到0.5范围内的数。

Images