内燃机
內燃機
내연궤
Internal Combustion Engines
2015年
5期
26-29
,共4页
遗传算法%粒子群算法%极限学习机%柴油机%故障诊断
遺傳算法%粒子群算法%極限學習機%柴油機%故障診斷
유전산법%입자군산법%겁한학습궤%시유궤%고장진단
针对极限学习机(ELM)神经网络初始权阈值对算法性能的影响问题,提出一种融合遗传算法(GA)与粒子群算法(Pso)的GAPSO算法,用于优化ELM神经网络初始权阈值.该算法将群组一分为二,分别采用GA和PSO算法,再将优秀个体进行合并,改善了PSO算法全局搜索能力,同时增强了GA算法的局部搜索效能.通过对柴油机故障诊断的实验证明,基于GAPSO优化初始权阈值的ELM神经网络可以有效提升故障诊断精度.
針對極限學習機(ELM)神經網絡初始權閾值對算法性能的影響問題,提齣一種融閤遺傳算法(GA)與粒子群算法(Pso)的GAPSO算法,用于優化ELM神經網絡初始權閾值.該算法將群組一分為二,分彆採用GA和PSO算法,再將優秀箇體進行閤併,改善瞭PSO算法全跼搜索能力,同時增彊瞭GA算法的跼部搜索效能.通過對柴油機故障診斷的實驗證明,基于GAPSO優化初始權閾值的ELM神經網絡可以有效提升故障診斷精度.
침대겁한학습궤(ELM)신경망락초시권역치대산법성능적영향문제,제출일충융합유전산법(GA)여입자군산법(Pso)적GAPSO산법,용우우화ELM신경망락초시권역치.해산법장군조일분위이,분별채용GA화PSO산법,재장우수개체진행합병,개선료PSO산법전국수색능력,동시증강료GA산법적국부수색효능.통과대시유궤고장진단적실험증명,기우GAPSO우화초시권역치적ELM신경망락가이유효제승고장진단정도.
