1 简介镍镉电池组作为移动电源对于现代军民用品是必不可少的.为了能够有效的提高镍镉电池寿命的预测精准度,在建立BP神经网络的电池寿命预测模型的基础上,运用差分进化算法(DE)优化BP神经网络连接的初始权值与阈值.预测结果表明:该改进的预测模型有较高的预测精度,误差控制在5%以内,有效地提高了BP神经网络的收敛速度,符合现实中镍镉电池实际运行的特性,对提高电池寿命评估的时效性和精确性具有重要的意义.BPBack Propagation神经网络算法是一种多层前馈神经网络其信号是正向传播而误差是逆向传播的.BP神经网络过程可以拆分为两部分正向传播和误差的逆向传播.其中正向传播是从输入层经过隐含层再到达输出层.逆向传播是从输出层到隐含层然后到输入层.在模拟过程中收集系统所产生的误差来不断地调整隐含层到输出层、输入层到隐含层的权重和阈值使网络误差达到设置的训练精度要求训练结束[9].通过对镍镉电池容量衰退分析选取镍镉电池充电截止电压x1、放电截止电压x2电池内阻x3作为输入变量输出变量为电池循环放电容量z.其网络拓扑结构如图1所示.下面具体介绍输入、输出和隐含层相关参数计算公式隐含节点yk的计算方法是用输入层的网络节点去乘相应的隐含层权值再加上相应的阈值来得到的.同理可以计算出zj计算公式为2 部分代码function error objfun_BP(x,inputnum,hiddennum,outputnum,net,inputn,outputn) %该函数用来计算适应度值 %x input 个体 %inputnum input 输入层节点数 %outputnum input 隐含层节点数 %net input 网络 %inputn input 训练输入数据 %outputn input 训练输出数据 %error output 个体适应度值 %提取 w1x(1:inputnum*hiddennum); B1x(inputnum*hiddennum1:inputnum*hiddennumhiddennum); w2x(inputnum*hiddennumhiddennum1:inputnum*hiddennumhiddennumhiddennum*outputnum); B2x(inputnum*hiddennumhiddennumhiddennum*outputnum1:inputnum*hiddennumhiddennumhiddennum*outputnumoutputnum); %网络进化参数 net.trainParam.epochs20; net.trainParam.lr0.1; net.trainParam.mc 0.8;%动量系数[0 1]之间 net.trainParam.goal0.01; net.trainParam.show100; net.trainParam.showWindow0; %网络权值赋值 net.iw{1,1}reshape(w1,hiddennum,inputnum); net.lw{2,1}reshape(w2,outputnum,hiddennum); net.b{1}reshape(B1,hiddennum,1); net.b{2}B2; %网络训练 nettrain(net,inputn,outputn); ansim(net,inputn); errorsum(abs(an-outputn));3 仿真结果4 参考文献[1]卢顺, 李英顺. 基于差分进化算法优化BP神经网络的镍镉电池寿命预测[J]. 广西工学院学报, 2020, 031(002):93-98.博主简介擅长智能优化算法、神经网络预测、信号处理、元胞自动机、图像处理、路径规划、无人机等多种领域的Matlab仿真有科研问题可私信交流。部分理论引用网络文献若有侵权联系博主删除。​