基于GA-小波-BP神经网络的装备维修能力评估

针对传统装备维修保障能力评估主观性强、适应性弱的特点，提出了一种以装备维修记录为样本数据的基于误差反向传播（back propagation,BP）前馈神经网络的维修能力评估方法。为消除维修记录属性冗余，选用粗糙集主分量约简算法，对样本属性进行约简，为避免BP神经网络因局部极值导致局部收敛和收敛速度过慢的影响，利用遗传算法（genetic algorithm,GA）的全局搜索能力对神经网络初始权值和阈值进行了优化，为增加网络的学习功能，提高网络训练速率和训练精度，选取小波函数作为隐含层的传递函数，Sigmoid函数为输出层激活函数。研究表明：通过冗余属性约简提高了BP神经网络的性能，利用GA优化BP神经网络权值/阈值和小波函数作为隐含层的传递函数，避免了局部收敛，提高了网络的训练速率和评估的精度，降低了误差。