[发明专利]基于线性内插型模糊神经网络的诊断方法

权利要求书

1.一种基于线性内插型模糊神经网络的诊断方法，其特征在于：包括以下步骤：

一、获取算法学习知识

首先，从特征值的概率密度函数中求得特征值P_i的可能性分布函数

和σ分别是特征值P_i的均值和标准方差，其中

根据可能性分布函数可以求出特征值反映设备某种状态的可能性：

最后再用Dempster&Shafer证据理论将不同特征参量下的设备各种状态的可能性进行组合，可以得到组合可能性，如下式所示：

设备某状态下的组合可能性为：

其中和分别是状态A_m和状态A_k下的可能性，S是一种状态，是空集

二、得到的特征参量P_i和其对应设备状态的可能性为神经网络的学习知识

将上一步骤得到的学习知识作为样本来训练BP神经网络

BP神经网络属于误差逆传播算法，包括输入层，隐含层，输出层。以特征参量作为输入向量X，n为输入层单元个数，w为输入层到隐含层的权值，p为隐含层单元个数，设备状态的可能性作为输出向量Y，v为隐含层到输出层的权值，q输出层单元个数

采用sigmoid函数作为激活函数那么隐含层j单元的输出值为：同理计算出输出层第k个单元的输出值：

采用梯度下降法来调整权值，输出层的校正误差为：d_k＝(o_k-y_k)y_k(1-y_k),其中o_k为训练样本的希望输出，隐含层各单元的校正误差为：对于输出层至隐含层的权值校正量为：Δv_kj＝α·d_k·b_j，隐含层至输入层的权值校正量为：Δw_ji＝β·e_j·x_i，其中α，β为学习系数

三、将实际特征参量输入线性内插型模糊神经网络预测设备的状态

当第二步训练结束后，算法收敛于激活函数，将sigmoid激活函数线性化，当特征参量输入到第一层后，第m+1层上第v个神经元上的预测值由下式求出：

其中：N_m表示神经网络第m层的神经元的个数，表示第一层第u个神经元的输入值，表示第m+1层第V个神经元的值，表示第m层第u个神经元和第m+1层第v个神经元之间的权值

将特征参量输入到线性内插型模糊神经网络后，得出设备状态的可能性，判断出设备处于某种状态。