电子设计工程
電子設計工程
전자설계공정
ELECTRONIC DESIGN ENGINEERING
2015年
10期
14-17
,共4页
信息熵%神经网络%遗传算法%证据理论%故障诊断
信息熵%神經網絡%遺傳算法%證據理論%故障診斷
신식적%신경망락%유전산법%증거이론%고장진단
information entropy%neural network%GA method%DS method%fault diagnosis
针对基于信息熵的神经网络证据形成过程需要专家经验确定参数这一不足,提出一种改进方法,即用遗传算法(Genetic Algorithm,GA)进行寻优,自动确定参数,其实质是利用了遗传算法的高效的并行寻优能力和对初始种群的较低的敏感性,通过训练样本自适应调整证据形成过程中的参数,提升DS(Dempster Shafer)证据理论的融合效率.对多类轴承故障数据的诊断结果表明,该方法(GA-DS)能够自动调整神经网络的证据形成过程,从而有效地降低了融合过程中证据的冲突性,并且显著提高了诊断精度和稳定性.
針對基于信息熵的神經網絡證據形成過程需要專傢經驗確定參數這一不足,提齣一種改進方法,即用遺傳算法(Genetic Algorithm,GA)進行尋優,自動確定參數,其實質是利用瞭遺傳算法的高效的併行尋優能力和對初始種群的較低的敏感性,通過訓練樣本自適應調整證據形成過程中的參數,提升DS(Dempster Shafer)證據理論的融閤效率.對多類軸承故障數據的診斷結果錶明,該方法(GA-DS)能夠自動調整神經網絡的證據形成過程,從而有效地降低瞭融閤過程中證據的遲突性,併且顯著提高瞭診斷精度和穩定性.
침대기우신식적적신경망락증거형성과정수요전가경험학정삼수저일불족,제출일충개진방법,즉용유전산법(Genetic Algorithm,GA)진행심우,자동학정삼수,기실질시이용료유전산법적고효적병행심우능력화대초시충군적교저적민감성,통과훈련양본자괄응조정증거형성과정중적삼수,제승DS(Dempster Shafer)증거이론적융합효솔.대다류축승고장수거적진단결과표명,해방법(GA-DS)능구자동조정신경망락적증거형성과정,종이유효지강저료융합과정중증거적충돌성,병차현저제고료진단정도화은정성.
