科创中国

本发明涉及一种基于快速学习率的RBF评估舰载机出动能力的方法。根据舰载机出动能力指标体系模型生成器所建立的指标体系，生成指定数量的待评估样本，用于训练基于快速学习率的RBF神经网络，经过RBF隐含层神经元增减判别器判别后调整隐含层神经元数量，然后实现权重的鲁棒调节和神经网络学习率的自适应快速调节，最终实现舰载机出动能力快速评估。利用快速学习率的RBF神经网络的非线性映射能力来评估复杂非线性的舰载机出动能力，可以避免传统的评估方法主观性较强和评估过程复杂。通过评估值与阈值的比较来增减隐含层神经元数量更加合理，快速学习率和鲁棒算法保证神经网络更快的学习速率和稳定性。本发明通过仿真实验验证了评估方法的有效性。

本发明的目的是这样实现的：本发明的基于快速学习率的RBF评估舰载机出动能力的方法包括舰载机出动能力指标体系模型生成器(1)，舰载机出动能力指标标准化模块(2)，AHP评估样本生成器(3)，RBF隐含层神经元增减判别器(4)，RBF隐含层神经元增加模块(5)，RBF隐含层神经元减少模块(6)，RBF权重调节器(7)，RBF快速学习率调节器(8)，RBF训练终止判别器(9)，舰载机出动能力RBF评估结果测试器(10)，舰载机出动能力评估结果分析器(11)。

航母是现代海上作战的重要组成，随着各国对海洋安全的重视，研究其作战能力成为新的热点。航母作战能力主要体现为舰载机的出动能力，对舰载机出动能力评估有利于提高其作战能力。因此，评估舰载机出动能力具有重要的理论意义和应用价值。

由于舰载机出动能力评估非常复杂，各个因素之间相互影响，错综复杂的关系制约有效的评估。而神经网络通过自学习和自适应，能够建立更加接近人类思维模式的定性和定量相结合的评估模型。学习好的神经网络把专家的评估思想以连接权的方式赋予网络上，这样该网络不仅可以模拟专家进行定量评估，而且避免了评估过程中的人为失误以及人为计取权重的主观影响和不确定性。基于径向基函数(RBF)神经网络的评估方法具有运算速度快、问题求解效率高、自学习能力强、适用面宽等优点，因而具有广阔的应用背景。但是在RBF神经网络的应用过程中存在一些问题。

此技术研发人是哈尔滨理工大学孙明晓，承担本专科及研究生层次普通高等学历教育工作承担科学技术研究工作并为社会提供相关服务。

与现有技术相比，此技术的优点在于利用快速学习率的RBF神经网络的非线性映射能力来评估复杂非线性的舰载机出动能力，可以避免传统的评估方法主观性较强和评估过程复杂的特点。快速学习率的RBF能够增减隐含层神经元数量，实现网络结构自组织。权重调节采用鲁棒方法能够减弱干扰的影响。为了解决固定的学习率需要人工手动调整的问题，提出一种快速学习率，通过学习率的迭代自学习，使得网络稳定，并提高收敛速度。本发明的评估方法与同类评估方法相比，快速学习率的RBF神经网络通过评估值与阈值的比较来增减隐含层神经元数量更加合理，快速学习率和鲁棒算法保证神经网络更快的学习速率和稳定性。本发明通过仿真实验验证了评估方法的有效性。

技术转让，许可，合作所需资金需双方协商，此项技术想尽快落地保定，希望具备此项技术研发的技术方，能够尽快承接此项目。。