基于云小波的遗传算法寻优.docVIP

基于遗传算法的云小波寻优 余汉华 何怡刚 (湖南大学 电气与信息工程学院，湖南长沙 410082) 摘要：针对定性概念与定量表示之间不确定性转化的模糊性和随机性问题，及避免小波网络陷入局部极小、过拟合，将云模型、遗传算法和小波神经网络相结合，不但解决了定性定量问题间的完好转换，而且遗传算法的全局优化搜索得到了网络的最优参数。仿真实验验证了这种新方法对空气增压机故障诊断的有效性。 关键词：小波神经网络；遗传算法；云模型；故障诊断； 中图法分类号:TP183　: A Optimization of Cloud Wavelet Based on Genetic Algorithm Yu Hanhua He Yigang (College of Electrical and Information Engineering, Hunan University, Changsha,4100822) Abstract: Aiming at the fuzziness and stochastic problems of the uncertainty transformation between the qualitative concept and the quantitative representation, to avoid the wavelet network falling into local minimum or over fitting, combine the cloud model、genetic algorithm with wavelet neural network not only realize the transformation between the qualitative and quantitative problems perfectly, the global optimization search of genetic algorithm also get the optimal network parameter. The simulation experiment shows that the new method is effective on the fault diagnosis of air compressor. Key words: Wavelet neural network；genetic algorithm; cloud model; fault diagnosis 引言 随着人工神经网络的发展，许多学者相继提出基于模糊理论、概率论、云模型、遗传算法及小波网络等方法对复杂的非线性问题研究。其中，云模型能够高效的解决定性定量之间转化问题；小波神经网络能够有效的提取信号的局部信息进行非线性拟合；遗传算法具有很强的宏观搜索能力和全局优化性能。基于此，本文采用云模型云滴的随机性和稳定倾向性特点，结合遗传算法选择、交叉、变异思想对空气增压机故障参数进行小波网络识别。 本文先用逆向云算法，得到各参数的云模型数字特征；再利用遗传算法的选择、交叉、变异操作对参数数据个体寻优，找到最优小波网络初始权值；以得到最优网络结构进行网络训练与预测，将此方法与传统的小波网络对比，更体现了本文方法的优越性。 正态云模型 云是用语言值表示的某个定性概念与其定量表示间的不确定性转化模型，它用期望值、熵和超熵表征定性概念。以定性和定量间相互映射作为知识表示的基础，将概念的模糊性和随机性集成在一起[1][2]。 云发生器通过输入期望值、熵和超熵形成合乎条件的云滴，而逆云发生器则是从给定数量的云滴对三个数值特征进行估计。对于有条件的已知云模型发生器称为条件云发生器和有条件的云发生器称为条件云发生器。 条件云发生器的云滴是以数值特征确定的；条件云发生器的云滴也是以数值特征 确定的；逆云发生器则是以样本均值，一阶样本绝对中心距,样本方差确定的数值特征估计[3]。 遗传算法 遗传算法（Genetic Algorithms）是一种自适应高精度快速随机搜索算法，基本要素包括染色体编码、适应度函数、遗传操作和运行参数，其中遗传操作又包括选择操作、交叉操作和变异操作。一般遗传算法的计算流程和MATLAB伪代码如图1： 适应度函数采用适应度比例的选择策略： (1) 其中为个体的适应值，为误差函数，采用熵函数来衡量： (2)