基于人工神經(jīng)網(wǎng)絡(luò)的侵徹毀傷模式識(shí)別

王 爍，石 全

(軍械工程學(xué)院 裝備指揮與管理系， 石家莊 050003)

【裝備理論與裝備技術(shù)】

基于人工神經(jīng)網(wǎng)絡(luò)的侵徹毀傷模式識(shí)別

王 爍，石 全

(軍械工程學(xué)院 裝備指揮與管理系， 石家莊 050003)

為了研究多因素作用下破片侵徹靶板的具體模式，利用人工神經(jīng)網(wǎng)絡(luò)方法，對(duì)輸入?yún)?shù)進(jìn)行識(shí)別，得到了相應(yīng)的靶板毀傷模式?；谡辉囼?yàn)設(shè)計(jì)原則，利用ANSYS/LS-DYNA仿真出60組破片侵徹靶板的模式數(shù)據(jù)，作為神經(jīng)網(wǎng)絡(luò)訓(xùn)練的輸入數(shù)據(jù)，對(duì)神經(jīng)網(wǎng)絡(luò)進(jìn)行訓(xùn)練，另外選取3組數(shù)據(jù)作為驗(yàn)證數(shù)據(jù)對(duì)神經(jīng)網(wǎng)絡(luò)的訓(xùn)練效果進(jìn)行驗(yàn)證。結(jié)果表明：該訓(xùn)練模式下，人工神經(jīng)網(wǎng)絡(luò)能夠有效地識(shí)別多因素作用下破片對(duì)靶板的具體毀傷模式。

人工神經(jīng)網(wǎng)絡(luò)；侵徹模式；有限元仿真；模式識(shí)別

破片對(duì)于靶板的侵徹模式主要分為3種：侵徹、跳飛與穿透。具體的侵徹模式受到許多因素的影響，其主要影響因素為：破片的速度、入射角度、長(zhǎng)徑比、質(zhì)量、靶板厚度和形狀。這6個(gè)因素對(duì)于靶板損傷模式的影響各不相同，相關(guān)學(xué)者曾經(jīng)進(jìn)行過探討，如米雙山等[1]以等效靶板為模型研究過硬鋁合金的有限元侵徹，建立了相應(yīng)的相圖，但相圖的建立是針對(duì)彈丸特定的形狀，特定的靶厚等相關(guān)固定的因素，雖然給人直觀的認(rèn)識(shí)，但大量固定因素反映的損傷情況有限，不能完整地反映離散情況下多不定因素對(duì)侵徹?fù)p傷的影響。為實(shí)現(xiàn)對(duì)輸入的離散樣本進(jìn)行損傷模式的判定識(shí)別，本研究以人工神經(jīng)網(wǎng)絡(luò)為平臺(tái)，對(duì)已得到的樣本進(jìn)行訓(xùn)練，達(dá)到對(duì)多因素的綜合影響下的損傷模式進(jìn)行判定的目的。

1 人工神經(jīng)網(wǎng)絡(luò)

誤差反向傳播神經(jīng)網(wǎng)絡(luò)BP(Error Back Propagation Neural Network)[3]是1986年由Rumelhart和Hinton提出的，它是一種能向著滿足給定的輸入輸出關(guān)系方向進(jìn)行自組織的神經(jīng)網(wǎng)絡(luò)。當(dāng)輸出層上的實(shí)際輸出與給定的期望輸出不一致時(shí)，BP算法利用輸出層的誤差估計(jì)輸出層的直接前導(dǎo)層的誤差，再用這個(gè)誤差估計(jì)更前一層的誤差。在本研究中使用MATLAB中的神經(jīng)網(wǎng)絡(luò)工具箱[4]，簡(jiǎn)化了計(jì)算，且訓(xùn)練效果較好。

2 MATLAB中的BP網(wǎng)絡(luò)模型

2.1 MATLAB中BP網(wǎng)絡(luò)傳輸函數(shù)常用類型

在BP神經(jīng)網(wǎng)絡(luò)中經(jīng)常使用對(duì)數(shù)S形函數(shù)、正切S形函數(shù)和線性函數(shù)作為神經(jīng)元的傳輸函數(shù)(見圖1)，其函數(shù)圖形和符號(hào)表示以及函數(shù)表達(dá)式分別為：

a(n)=purelin(n)=n

圖1 常用的網(wǎng)絡(luò)傳輸函數(shù)

2.2 BP網(wǎng)絡(luò)的訓(xùn)練算法

神經(jīng)網(wǎng)絡(luò)需要不斷地調(diào)整權(quán)值和閾值，使得網(wǎng)絡(luò)的輸入和輸出滿足要求的關(guān)系，這個(gè)過程往往不是一蹴而就，這種調(diào)整過程稱為“訓(xùn)練”，而這個(gè)神經(jīng)網(wǎng)絡(luò)在訓(xùn)練的過程中，便具有了把輸入空間映射到輸出空間的能力，稱之為神經(jīng)網(wǎng)絡(luò)的“學(xué)習(xí)”，調(diào)整權(quán)值和閾值的算法稱之為學(xué)習(xí)規(guī)則或訓(xùn)練算法。主要的訓(xùn)練方法分為以下3種：標(biāo)準(zhǔn)BP算法(最速梯度下降法)、動(dòng)量BP算法、學(xué)習(xí)率可變的最速下降BP算法。

澆頭水時(shí)間播種期試驗(yàn)分別為6月8日、6月15日、6月25日、7月5日。密度試驗(yàn)均為6月8日。5月16日紅花株高達(dá)20～30 cm時(shí)掐去頂芽，促使分枝增多，增加花蕾數(shù)，提高產(chǎn)量。

2.3 編制MATLAB仿真程序

2.3.1 輸入樣本的確定

根據(jù)相關(guān)學(xué)者[4-6]對(duì)侵徹影響因子的分析，確定輸入樣本向量含有6個(gè)因素，即破片的速度，入射角度，長(zhǎng)徑比，質(zhì)量，靶厚和形狀。為了便于進(jìn)行BP程序設(shè)計(jì)，有必要對(duì)輸入樣本向量的因素?cái)?shù)據(jù)進(jìn)行處理。

1) 形狀因子量化。根據(jù)實(shí)驗(yàn)的分析，破片頭部形狀對(duì)侵徹的影響大小依次為：錐形>柱形>菱形>球形>方形。因此設(shè)：方形=10；球形=20；菱形=30；柱形=40；錐形=50。為了使量化更加接近實(shí)際，結(jié)合各形狀因子對(duì)侵徹指標(biāo)影響的數(shù)據(jù)分析，用等比例差值法盡量準(zhǔn)確地反映各因子的量化表示。此時(shí)各形狀對(duì)指標(biāo)的影響為：方形=326.17；球形=332.66；菱形=385.55；柱形=416.28；錐形=621.41。結(jié)合相應(yīng)的字母表示，用等比例差值法，固定錐形和柱形之間的差值，最后得到：方形=35.62；球形=35.93；菱形=38.51；柱形=40；錐形=50。

2) 其他因子的輸入處理。為使輸入樣本向量各因素間的差值不致過大，避免對(duì)模式識(shí)別造成影響，由于速度的單位為m/s，其數(shù)值大小在幾百到幾千之間，所以將速度輸入數(shù)值縮小100倍，長(zhǎng)徑比和質(zhì)量數(shù)值都擴(kuò)大10倍，角度和靶厚數(shù)值保持不變。

2.3.2 輸出模式的確定

為研究問題的方便，將3種損傷模式分別定為

跳飛：(1 0 0)；嵌入：(0 1 0)；穿透：(0 0 1)。

基于正交試驗(yàn)的設(shè)計(jì)原則，利用ANSYS/LS-DYNA仿真[7-8]出60組數(shù)據(jù)，作為訓(xùn)練數(shù)據(jù)。實(shí)體模型及壓坑仿真結(jié)果如圖2所示，部分輸入樣本及相對(duì)應(yīng)的輸出模式如表1所示。

圖2 實(shí)體模型及壓坑仿真結(jié)果

樣本號(hào)速度/(102m·s-1)入射角/(°)長(zhǎng)徑比質(zhì)量/g靶厚/mm形狀輸出模式1830253010401 0 02930253010401 0 031030253010401 0 0……………………58153020101435．621 0 05915452530638．510 0 160156040408400 1 0

2.3.3 建立BP網(wǎng)絡(luò)所需參數(shù)的確定

擬建立兩層的BP網(wǎng)絡(luò)，其相關(guān)參數(shù)的確定如下：

1) 隱層神經(jīng)元的個(gè)數(shù)

對(duì)于用于模式識(shí)別/分類的BP網(wǎng)絡(luò)，根據(jù)前人經(jīng)驗(yàn)，可以參照以下公式設(shè)計(jì)

(1)

式中：n為隱層神經(jīng)元個(gè)數(shù)；ni為輸入樣本神經(jīng)元數(shù)，即輸入樣本元素?cái)?shù)；n0為輸出神經(jīng)元數(shù)，即輸出樣本元素?cái)?shù)；a為從1到10之間的數(shù)。將ni=6，n0=3代入式(1)，取a=2，確定隱層神經(jīng)元個(gè)數(shù)n=5。

2) 激活函數(shù)的選取

根據(jù)一般的程序默認(rèn)，第一層選擇S形函數(shù)logsig，第二層選擇線性函數(shù)purelin。傳輸函數(shù)的選取主要取決于輸出，建網(wǎng)程序設(shè)置輸出在0和1之間，所以第一層和第二層的傳輸函數(shù)都可選擇為對(duì)數(shù)S形函數(shù)。因此本研究將對(duì)選取不同的傳輸函數(shù)的訓(xùn)練情況進(jìn)行對(duì)比，以確定最佳的滿足性能要求的傳輸函數(shù)選取。

3) 訓(xùn)練方法及參數(shù)的選擇

采用不同的訓(xùn)練方法對(duì)網(wǎng)絡(luò)進(jìn)行訓(xùn)練，各訓(xùn)練方法選取默認(rèn)初始學(xué)習(xí)率為0.01，訓(xùn)練次數(shù)為20 000次，期望誤差為0.001。

網(wǎng)絡(luò)的初始化權(quán)值和閾值的隨機(jī)選取，所以每次運(yùn)行程序結(jié)果將不相同，反復(fù)運(yùn)行，直到滿意為止。

2.3.4 編制MATLAB仿真程序

在所建立的BP網(wǎng)絡(luò)中，共需要用到兩個(gè)傳輸函數(shù)的選取，因?yàn)槟繕?biāo)輸出是得到0和1之間的數(shù)，為盡可能地避免出現(xiàn)負(fù)值，輸入層和輸出層的傳輸函數(shù)都不選用正切S形函數(shù)。為使加權(quán)和盡快收斂輸入層選擇對(duì)數(shù)S形函數(shù)，輸出層可分別選對(duì)數(shù)S形或線性傳輸函數(shù)。網(wǎng)絡(luò)的訓(xùn)練選用上述常用的traingd，traingdm，traingda和traingdx函數(shù)[9]。共分為8種情況，如表2所示。

對(duì)以上8種情況分別建立網(wǎng)絡(luò)，對(duì)網(wǎng)絡(luò)進(jìn)行訓(xùn)練，訓(xùn)練次數(shù)為 20 000次，誤差性能指標(biāo)為0.001，其他網(wǎng)絡(luò)參數(shù)均用Matlab中的默認(rèn)值，由于BP網(wǎng)絡(luò)每次訓(xùn)練初始化權(quán)值和閾值都取隨機(jī)值，故同一程序每次訓(xùn)練所得的誤差性能值都不同，所以每種情況訓(xùn)練的次數(shù)為30次，選取最小的誤差性能值的情況匯總?cè)鐖D3(a)～圖3(h)所示(圖的縱坐標(biāo)為誤差性能，橫坐標(biāo)為訓(xùn)練次數(shù))。將訓(xùn)練情況匯總表格(見表2)，由列表情況可知，在其他情況相同的條件下，輸出層傳輸函數(shù)采用purelin函數(shù)要比采用logsig函數(shù)的各訓(xùn)練函數(shù)的最小誤差性能徝更接近于誤差性能指標(biāo)，從表2可以看出，除traingdm函數(shù)略有差異外，其他均屬上述情況，所以最終的MATLAB程序選用上述的第4種情況建立。

表2 訓(xùn)練情況匯總

2.4 仿真結(jié)果及驗(yàn)證

將60個(gè)輸入樣本輸入由上述第4種情況創(chuàng)建的BP網(wǎng)絡(luò)中進(jìn)行計(jì)算，得到的仿真結(jié)果匯總?cè)绫?。從表3可看出，經(jīng)過網(wǎng)絡(luò)訓(xùn)練，仿真所得到的各種輸出模式結(jié)果進(jìn)行取整運(yùn)算后，與實(shí)際的期望輸出相吻合，輸入樣本都滿足輸出模式的要求。雖然網(wǎng)絡(luò)誤差性能值沒達(dá)到所要求的0.001，但用作模式識(shí)別已經(jīng)在允許的誤差范圍內(nèi)。改變輸入因子的值，取3個(gè)不同于訓(xùn)練樣本的其他樣本進(jìn)行驗(yàn)證，驗(yàn)證試驗(yàn)號(hào)為61*、62*、63*，驗(yàn)證樣本的輸入因子及仿真輸出和期望輸出如表4所示(表中的單位和表1相同)。

圖3 各訓(xùn)練的誤差性能曲線

試驗(yàn)號(hào)期望輸出仿真結(jié)果11001．0265-0．03070．004221001．0249-0．02900．004131000．92090．07780．0013…………………581001．0213-0．02530．0040590010．00160．02290．9755600100．02230．97590．0019

上述仿真結(jié)果表明，用神經(jīng)網(wǎng)絡(luò)進(jìn)行侵徹?fù)p傷模式識(shí)別是可行的，在誤差允許的范圍內(nèi)，仿真的結(jié)果可用來對(duì)不同的輸入樣本進(jìn)行侵徹?fù)p傷模式的預(yù)測(cè)與識(shí)別。

3 結(jié)論

本文運(yùn)用MATLAB中的神經(jīng)網(wǎng)絡(luò)工具箱，進(jìn)行BP網(wǎng)絡(luò)設(shè)計(jì)，基于正交試驗(yàn)設(shè)計(jì)原則，利用ANSYS/LS-DYNA仿真出60組不同條件小的彈丸侵徹靶板模式，作為試驗(yàn)樣本數(shù)據(jù)處理后輸入仿真程序進(jìn)行訓(xùn)練。通過對(duì)比采用不同的傳輸函數(shù)和訓(xùn)練算法得到的網(wǎng)絡(luò)誤差性能值，最終選定輸出層為purelin函數(shù)，網(wǎng)絡(luò)采用traingdx算法的兩層BP網(wǎng)絡(luò)進(jìn)行樣本的仿真模擬，其誤差精度達(dá)到了 0.003 29，滿足試驗(yàn)要求。經(jīng)過驗(yàn)證，網(wǎng)絡(luò)的輸出模式與實(shí)際輸出相符，證明采用神經(jīng)網(wǎng)絡(luò)進(jìn)行侵徹?fù)p傷的模式識(shí)別是可行的。

表4 驗(yàn)證樣本輸入及輸出

[1] 張世臣,米雙山.LY-12靶板在爆炸沖擊波作用下?lián)p傷的有限元分析[J].兵工自動(dòng)化,2008,27(5):18-19.

[2] 蔣宗禮.人工神經(jīng)網(wǎng)絡(luò)導(dǎo)論[M].北京：高等教育出版社，2003.

[3] 高雋.人工神經(jīng)網(wǎng)絡(luò)原理及仿真實(shí)例[M].北京：機(jī)械工業(yè)出版社，2003.

[4] 尹峰，張亞棟.常規(guī)武器爆炸產(chǎn)生的破片及其破壞效應(yīng)[J].解放軍理工大學(xué)學(xué)報(bào)(自然科學(xué)版)，2005.

[5] 張國(guó)偉，徐立新.終點(diǎn)效應(yīng)與靶場(chǎng)試驗(yàn)[M].北京：北京理工大學(xué)出版社，2009.

[6] 聞新，周露，李翔,等.MATLAB神經(jīng)網(wǎng)絡(luò)仿真與應(yīng)用[M].北京：科學(xué)出版社，2003.

[7] 陳健，米雙山，張錫恩.基于LS-DYNA球形破片穿甲的網(wǎng)格劃分研究[J].彈箭與制導(dǎo)學(xué)報(bào)，2005,25(2):51-55.

[8] 時(shí)黨勇，李裕春，張勝民.基于ANSYS/LS-DYNA8.1進(jìn)行顯式動(dòng)力分析[M].北京：清華大學(xué)出版社，2005.

[9] 周開利，康耀紅.神經(jīng)網(wǎng)絡(luò)模型及其MATLAB仿真程序設(shè)計(jì)[M].北京：清華大學(xué)出版社，2005.

PenetrationPatternRecognitionBasedonArtificialNeuralNetwork

WANG Shuo, SHI Quan

(Department of Equipment Command and Management, Ordnance Engineering College, Shijiazhuang 050003, China)

In order to study the specific pattern of fragmentation penetrating the target plate under the influence of multi factors, this paper uses the artificial neural network method to identify the input parameters and obtains the corresponding target damage model. Based on the principle of orthogonal experimental design, this paper uses ANSYS/LS-DYNA to simulate the model data of 60 sets of fragments penetrating into the target plate, and trains the neural network as the input data of neural network training. In addition, three sets of data are selected as the validation data to verify the training effect of the neural network. The results show that the artificial neural network can effectively identify the specific damage patterns of fragments to target plates under multi factors.

artificial neural network; penetration model; finite element simulation; pattern recognition

2017-05-25；

2017-06-15

王爍(1993—),男,碩士研究生，主要從事裝備戰(zhàn)場(chǎng)損傷理論與技術(shù)研究; 石全(1966—),男,教授，博士生導(dǎo)師，主要從事裝備戰(zhàn)場(chǎng)損傷理論與技術(shù)研究。

10.11809/scbgxb2017.10.013

本文引用格式：王爍，石全.基于人工神經(jīng)網(wǎng)絡(luò)的侵徹毀傷模式識(shí)別[J].兵器裝備工程學(xué)報(bào)，2017(10):60-64.

formatWANG Shuo, SHI Quan.Penetration Pattern Recognition Based on Artificial Neural Network[J].Journal of Ordnance Equipment Engineering,2017(10):60-64.

E92

A

2096-2304(2017)10-0060-05

(責(zé)任編輯周江川)