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.