论文部分内容阅读
摘要：半导体照明是国家重点扶持的新兴产业，led作为第四代光源，因为其节能环保等优点，深受市场的欢迎。对led可靠性作出准确的预测显得十分重要，能够对以后提高led性能打下基础。为了应对led复杂多变的工作环境，本文采用优化PSO-BP神经网络模型对led可靠性进行分析，能非常精确的预测出其不同工作环境下的使用寿命。
关键词：led；可靠性；BP神经网络；PSO算法；寿命；优化
0 引言
led被称为第四代照明光源或绿色光源，市场前景广阔，Led寿命在实际工作中受很多因素的影响。为了准确预测其寿命，本文采用优化PS0-BP神经网络模型，实验结果表明，该模型外推力很好，预测结果精确，误差极小，对以后led的深入研究有十分重要的作用。
1 BP神经网络与PSO算法
BP神经网络是一种多层前馈神经网络，它的学习规则是使用最速下降法，通过反向传播来不断调整网络的权值和阈值，使网络的误差平方和最小。
粒子群算法（PSO），是基于群体的，将每个个体看作是D维搜索空间中的一个没有体积的微粒（点），在搜索空间中以一定的速度飞行，这个速度根据它本身的飞行经验和同伴的飞行经验来动态调整。第i个微粒表示为Xi=（Xi1，Xi2，…，XiD），它经历过的最好位置（有最好的适应值）记为Pi=（Pi1，Pi2，…，PiD），也称为pbest。在群体所有微粒经历过的最好位置的索引号用符号g表示，即Pg，也稱为gbest。微粒i的速度用Vi=（Vi1，Vi2，…，Vid）表示。对每一代，它的第d维（1≤d≤D）根据如下方程进行变化：
其中w为惯性权重，c1和c2为加速常数，rand（）和Rand（）为两个在[0，1]范围里变化的随机值。
3 优化的PSO-BP神经网络
BP神经网络容易陷入局部极小值的误区，收敛速度也比较缓慢，网络结构也不统一因而本文采用优化粒子群算法（OPSO），对学习因子c1，c2，惯性权重w及误差函数e做了适当的优化调整。
3.1 加速系数的优化选择
PSO算法中，加速系数的选择，会直接影响到模型的收敛速度和精度，因而本实验对加速系数采用动态调整方式，具体调整如下：
其中Cstart为加速常数开始值，Cend为加速常数结束值，Max为最大迭代次数，pret为当前迭代次数。
3.2 误差函数的选择
系统的误差大小是检测系统可靠性的重要指标，关系到整个算法的收敛精度。本实验对误差函数的优化选择为：
其中是yk真实输出值，yk是预测输出值。
3.3 惯性权重的选择
惯性权重对算法的收敛精度有着极其关键的作用，容易陷入局部极小值或不利于算法收敛。因而本次实验选择让惯性权重非线性递减，具体如下：
其中Wstart为惯性权重初始值，Wend为惯性权重最终值，Maxiter为最大迭代次数，iter为当前迭代次数，惯性权重值在0.4～0.9间。
4 仿真运行
由于影响led可靠性的因素众多，本实验选择了温度、湿度、电流、作为输入变量，根据时间的变化以此来预测光通量的变化，以得出led工作寿命时间。网络拓扑结构设为3-7-1，隐含层的激发函数及输出层输出函数均选择为sigmoid函数，对输入输出进行了归一化处理，将输入层数据映射到[0，1]之间，待样本训练结束后，再将模型输出层反归一化返回到原数据范围。
本次测试实验数据1000组，对BP，PSO-BP，OPSO-BP参数进行了如下设置：学习速率皆为0.25，训练次数120，训练目标10-6，种群大小50，迭代次数13；学习因子分别为：1.8，2；1.8，2；线性；惯性权值分别为0.5，线性，非线性。
运行结果如下：
由各图可以看出，OPSO算法预测误差明显低于传统BP神经网络算法及标准PSO-BP算法，收敛速度也有人很大的改善，预测精度达到了99%，达到了我们预期的要求。
5 结语
本文通过将优化的PSO算法应用到BP神经网络上，也极大的改善了收敛速度，提高了收敛精度。通过该模型对led可靠性的预测，能十分精确的预测出led在不同工作环境下的工作寿命，对日后led的深入研究与生产有十分重大的作用。
参考文献：
[1]邹水平，吴柏禧，万珍平，唐洪亮，汤勇.电-热应力对GaN基白光LED可靠性的影响[J].发光学报，2016，37（01）：124-129.
[2]郭伟玲，樊星，崔德胜，吴国庆，俞鑫.一种基于伪失效寿命LED可靠性快速评价方法[J].发光学报，2013，34（02）：213-217.
[3]罗小兵，杨江辉，刘胜.温度和湿度对LED可靠性的影响及其机制分析[J].半导体光电，2009，30（03）：366-370.
[4]金豫杰，罗文广.基于BP神经网络的公路隧道交通量预测[J].广西工学院学报，2005（S3）：31-34.
关键词：led；可靠性；BP神经网络；PSO算法；寿命；优化
0 引言
led被称为第四代照明光源或绿色光源，市场前景广阔，Led寿命在实际工作中受很多因素的影响。为了准确预测其寿命，本文采用优化PS0-BP神经网络模型，实验结果表明，该模型外推力很好，预测结果精确，误差极小，对以后led的深入研究有十分重要的作用。
1 BP神经网络与PSO算法
BP神经网络是一种多层前馈神经网络，它的学习规则是使用最速下降法，通过反向传播来不断调整网络的权值和阈值，使网络的误差平方和最小。
粒子群算法（PSO），是基于群体的，将每个个体看作是D维搜索空间中的一个没有体积的微粒（点），在搜索空间中以一定的速度飞行，这个速度根据它本身的飞行经验和同伴的飞行经验来动态调整。第i个微粒表示为Xi=（Xi1，Xi2，…，XiD），它经历过的最好位置（有最好的适应值）记为Pi=（Pi1，Pi2，…，PiD），也称为pbest。在群体所有微粒经历过的最好位置的索引号用符号g表示，即Pg，也稱为gbest。微粒i的速度用Vi=（Vi1，Vi2，…，Vid）表示。对每一代，它的第d维（1≤d≤D）根据如下方程进行变化：
其中w为惯性权重，c1和c2为加速常数，rand（）和Rand（）为两个在[0，1]范围里变化的随机值。
3 优化的PSO-BP神经网络
BP神经网络容易陷入局部极小值的误区，收敛速度也比较缓慢，网络结构也不统一因而本文采用优化粒子群算法（OPSO），对学习因子c1，c2，惯性权重w及误差函数e做了适当的优化调整。
3.1 加速系数的优化选择
PSO算法中，加速系数的选择，会直接影响到模型的收敛速度和精度，因而本实验对加速系数采用动态调整方式，具体调整如下：
其中Cstart为加速常数开始值，Cend为加速常数结束值，Max为最大迭代次数，pret为当前迭代次数。
3.2 误差函数的选择
系统的误差大小是检测系统可靠性的重要指标，关系到整个算法的收敛精度。本实验对误差函数的优化选择为：
其中是yk真实输出值，yk是预测输出值。
3.3 惯性权重的选择
惯性权重对算法的收敛精度有着极其关键的作用，容易陷入局部极小值或不利于算法收敛。因而本次实验选择让惯性权重非线性递减，具体如下：
其中Wstart为惯性权重初始值，Wend为惯性权重最终值，Maxiter为最大迭代次数，iter为当前迭代次数，惯性权重值在0.4～0.9间。
4 仿真运行
由于影响led可靠性的因素众多，本实验选择了温度、湿度、电流、作为输入变量，根据时间的变化以此来预测光通量的变化，以得出led工作寿命时间。网络拓扑结构设为3-7-1，隐含层的激发函数及输出层输出函数均选择为sigmoid函数，对输入输出进行了归一化处理，将输入层数据映射到[0，1]之间，待样本训练结束后，再将模型输出层反归一化返回到原数据范围。
本次测试实验数据1000组，对BP，PSO-BP，OPSO-BP参数进行了如下设置：学习速率皆为0.25，训练次数120，训练目标10-6，种群大小50，迭代次数13；学习因子分别为：1.8，2；1.8，2；线性；惯性权值分别为0.5，线性，非线性。
运行结果如下：
由各图可以看出，OPSO算法预测误差明显低于传统BP神经网络算法及标准PSO-BP算法，收敛速度也有人很大的改善，预测精度达到了99%，达到了我们预期的要求。
5 结语
本文通过将优化的PSO算法应用到BP神经网络上，也极大的改善了收敛速度，提高了收敛精度。通过该模型对led可靠性的预测，能十分精确的预测出led在不同工作环境下的工作寿命，对日后led的深入研究与生产有十分重大的作用。
参考文献：
[1]邹水平，吴柏禧，万珍平，唐洪亮，汤勇.电-热应力对GaN基白光LED可靠性的影响[J].发光学报，2016，37（01）：124-129.
[2]郭伟玲，樊星，崔德胜，吴国庆，俞鑫.一种基于伪失效寿命LED可靠性快速评价方法[J].发光学报，2013，34（02）：213-217.
[3]罗小兵，杨江辉，刘胜.温度和湿度对LED可靠性的影响及其机制分析[J].半导体光电，2009，30（03）：366-370.
[4]金豫杰，罗文广.基于BP神经网络的公路隧道交通量预测[J].广西工学院学报，2005（S3）：31-34.