基于概率神经网络和KS检验的机械状态监测.pdfVIP

振 动 与 冲 击 第27卷第4期 JOURNAL OF VIBRATION AND SHOCK 基于概率神经网络和KS检验的机械状态监测 胡 峰，吴 波， 胡友民，史铁林 (华中科技大学数字制造与装备技术国家重点试验室，武汉 430074) 摘 要：机械状态监测中经常需要用非线性分类器对机械状态进行分类。概率神经网络是一种典型的非线性分 类器。它与传统BP神经网络分类器相比，具有训练速度快，分类准确性高、稳定性好等优点。但是，概率神经网络分类 器和其它神经网络分类器一样，存在分类准确性完全依赖现有训练样本的缺陷。当现有训练样本数量不足或机械设备出 现了新的状态时，神经网络分类器就不能进行正确分类了，从而造成误报。因此，需要对神经网络分类器的分类结果进行 检验。KS检验是一种非参数统计方法，它通过描述两个统计样本的相似性，可以有效的对分类结果进行检验，及时发现 概率神经网络的错误，减少误报。 关键词：概率神经网络；KS检验；状态监测 中图分类号：TH17 文献标识码：A 机械状态监测中经常需要用非线性分类器对机械 从训练样本中获得。( ( )同理) 状态进行分类。概率神经网络 (PNN)分类器是一种 ( )= 1 (2) 典型的非线性分类器。其实质是基于贝叶斯最小风险 Na 准则发展而来的一种并行算法。与传统BP神经网络 【 相比，其主要优点为：①快速训练，其训练时间仅仅略 大于读取数据的时间；②无论分类问题多么复杂，只要 式中：q为待分类的向量 及训练向量的维数；N 为 有足够多的训练数据，就能保证获得贝叶斯准则下的 状态模式n的训练样本的数量； 为状态模式n的第 最优解；③允许增加或减少训练数据而无需重新进行 i个训练向量； 为平滑参数。 长时间的训练。因此，概率神经网络分类器十分适合 如果对所有训练向量和待分类向量进行模式归一 用于对机械状态的分类。 化，则有 但是，概率神经网络分类器和其它神经网络分类 [ — ] ( — 。 )=一2( 一1) (3) 器一样，存在分类的准确性依赖现有训练样本的缺陷。 考虑到 如果在实际状态监测过程中，当现有训练样本数量不 H =Na／N (4) 足或机械设备出现了新的状态时，分类器就会发生分 这里Ⅳl。 为训练样本的总数，式(2)至(4)代入式(1) 类错误，造成误报。KS检验是一种非参数统计方法， 后，对状态模式n的分类规则变为(状态模式b)同理， 它通过描述两个统计样本的相似性，可以有效的对分 属于0，若 类结果进行检验，及时发现分类错误，减少误报。 ∑Na。 p[ 】≥己 ∑Nb。 p[ 】(5) i：1 i=1 1 概率神经网络 实现上述2种模式分类算法的概率神经网络如图1 下面以两个状态模式n，b为例 说明概率神经网络 所示。 原理。设等待判断的向量为 ，按照贝叶斯最小风险准 网络共分4层，分别为输入层、模式层、求和层及 则，有下列分类规则：