[发明专利]基于线性内插型模糊神经网络的诊断方法

摘要

本发明涉及一种基于线性内插型模糊神经网络的诊断方法。具体包括以下步骤：采用可能性理论和Dempster & Shafer证据理论信息融合得出神经网络的学习知识来训练BP神经网络。将sigmoid激活函数线性化，预测设备故障状态的可能性来判断设备处于哪种故障状态。该方法有效解决了模糊特征参量与设备故障类型之间的关系。

主权项

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Pi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。