基于DS证据理论的优化神经网络混合智能算法研究.pptVIP

此处添加公司信息 LOGO LOGO 此处添加公司信息 LOGO 此处添加公司信息 LOGO 此处添加公司信息 基于DS证据理论的优化神经网络混合智能算法研究 * 兰州理工大学机电工程学院 * 报告内容 * 兰州理工大学机电工程学院 * * 兰州理工大学机电工程学院 * 故障诊断一般过程 1.背景及意义 * 兰州理工大学机电工程学院 * 监测对象 原始信号 频域数据 有效特征 故障结论 决策指导 降噪 频谱分析 数据筛选 信号采集 模式识别 信息融合 反馈控制 离散化 * 兰州理工大学机电工程学院 * * 兰州理工大学机电工程学院 * 机械 化工 经济 气象 仍有无法避免的缺陷 通信 * 兰州理工大学机电工程学院 * 训练样本选择 反映于 故障诊断 节点数与 初始权重选择 故障分类规则解释 神经网络数学基础问题 2.研究现状 * 兰州理工大学机电工程学院 * * 兰州理工大学机电工程学院 * pca为最多用方法 当样本点具有一些非线性性质时，采用PCA得到 的降维结果无法反映出样本点之间所隐藏的非线性性质。 PCA能找到很好的代表所有样本点的方向，但这个方向对于分类未必是最有利的 对PCA所要保持的主分量的个数的估计比较困难，难以估计应该舍弃哪些分量。 样本选择方面 算法优化方面 进化算法可以帮助选择最小值，PSO仅基于微粒速度更新，算法运行速度快但精度难以保证；GA较为复杂，有选择，交叉，变异等方法，可以帮助更快获得最优解但忽略不可行解可能带来的有用信息，精度不高。 分类规则方面 在转子系统故障诊断方面应用较少。 * 兰州理工大学机电工程学院 * 3.研究内容及目标 用DS证据理论做特征层融合目标识别，将故障特征参量空间作为DS证据理论的证据空间，不同分类结果作为证据条件进行融合，提取有效分类信息； 1.样本选择 2.结构优化 3.分类规则 * 兰州理工大学机电工程学院 * IWO算法早期可保证对解空间全面搜索，后期加强对优秀个体周围的局部搜索，提供更高求解精度。利用IWO入侵杂草优化算法，更高效稳健的获取BPNN初始权重最优解和结构最优解。 2.结构优化 1.样本选择 3.分类规则 * 兰州理工大学机电工程学院 * 决策树是一个有向无环图，其结构显然与BP神经网络前馈结构相合，引入决策树作为工具抽取BP神经网络分类规则用决策树算法模拟神经网络，解释神经网络分类规则，提高可信度。 3.分类规则 1.样本选择 2.结构优化 4.拟解决的关键性问题 * 兰州理工大学机电工程学院 * 4.2 技 术 路 线 * 兰州理工大学机电工程学院 * 多种转速下测试故障数据 构造BP神经网络进行分类 故障数据特征提取与降噪 构造证据集进行信息融合 设计进化神经网络并解释 新诊断系统测试 5.课题创新性 * 兰州理工大学机电工程学院 * 利用DS证据理论进行有效参量选取 杂草算法优化BPNN 神经网络与决策树结合提高可信度 6.前期工作积累 阅读大量文献； 阅读有关书籍； 学习matlab ，c#编程； 已编译或调试部分程序。 * 兰州理工大学机电工程学院 * 感谢观映 各位老师辛苦了，请各位老师批评指教！ * 兰州理工大学机电工程学院 * 此处添加页眉信息 此处添加页脚信息 LOGO 此处添加页眉信息 此处添加页脚信息 LOGO 此处记录讲义 此处记录讲义 此处记录讲义 此处添加公司信息 LOGO LOGO 此处添加公司信息 LOGO 此处添加公司信息 LOGO 此处添加公司信息