振动、测试与诊断
振動、測試與診斷
진동、측시여진단
JOURNAL OF VIBRATION, MEASUREMENT & DIAGNOSIS
2013年
4期
634-639
,共6页
混合杂草算法%神经网络%优化%遗传算法%粒子群算法%故障诊断
混閤雜草算法%神經網絡%優化%遺傳算法%粒子群算法%故障診斷
혼합잡초산법%신경망락%우화%유전산법%입자군산법%고장진단
通过对入侵式杂草优化算法(invasive weed optimization,简称IWO)和神经网络(neural networks,简称NN)特点的分析,提出了一种新的混合杂草算法(hybrid invasive weed optimization,简称HIWO)来优化NN的权值、阈值和结构.为了提升算法的效果,在HIWO中引入遗传算法(genetic algorithm,简称GA)的交叉算子和粒子群算法(particle swarm opmtimization,简称PSO)的矢量跟踪思想.构建了NN模型参数的IWO主副分区编码方案,根据个体适应度值的大小来动态调整隐层节点及连接权个数,并给出算法的整个实现过程.以转子实验台故障数据的四类谱熵作为HIWO-NN的训练样本,通过实例仿真与GA,PSO和IWO构建的NN结构进行比较.仿真结果表明,采用HIWO的NN能快速、准确地实现故障信号的分类,验证了该算法的有效性,为故障诊断提供了一种新的方法和手段.
通過對入侵式雜草優化算法(invasive weed optimization,簡稱IWO)和神經網絡(neural networks,簡稱NN)特點的分析,提齣瞭一種新的混閤雜草算法(hybrid invasive weed optimization,簡稱HIWO)來優化NN的權值、閾值和結構.為瞭提升算法的效果,在HIWO中引入遺傳算法(genetic algorithm,簡稱GA)的交扠算子和粒子群算法(particle swarm opmtimization,簡稱PSO)的矢量跟蹤思想.構建瞭NN模型參數的IWO主副分區編碼方案,根據箇體適應度值的大小來動態調整隱層節點及連接權箇數,併給齣算法的整箇實現過程.以轉子實驗檯故障數據的四類譜熵作為HIWO-NN的訓練樣本,通過實例倣真與GA,PSO和IWO構建的NN結構進行比較.倣真結果錶明,採用HIWO的NN能快速、準確地實現故障信號的分類,驗證瞭該算法的有效性,為故障診斷提供瞭一種新的方法和手段.
통과대입침식잡초우화산법(invasive weed optimization,간칭IWO)화신경망락(neural networks,간칭NN)특점적분석,제출료일충신적혼합잡초산법(hybrid invasive weed optimization,간칭HIWO)래우화NN적권치、역치화결구.위료제승산법적효과,재HIWO중인입유전산법(genetic algorithm,간칭GA)적교차산자화입자군산법(particle swarm opmtimization,간칭PSO)적시량근종사상.구건료NN모형삼수적IWO주부분구편마방안,근거개체괄응도치적대소래동태조정은층절점급련접권개수,병급출산법적정개실현과정.이전자실험태고장수거적사류보적작위HIWO-NN적훈련양본,통과실례방진여GA,PSO화IWO구건적NN결구진행비교.방진결과표명,채용HIWO적NN능쾌속、준학지실현고장신호적분류,험증료해산법적유효성,위고장진단제공료일충신적방법화수단.
