基于神经网络算法的柴油机故障检测系统设计.docxVIP

基于神经网络算法（PNN）的柴油机故障检测系统设计实验报告实验目的：使用matlab通过神经网络算法（PNN）设计出柴油机故障检测系统的模型。并随意写出十组故障的数据通过网络进行分类检测，从而验证系统的可行性。实验仪器：PC机matlab实验内容柴油机故障类别及其参数：故障原因P1P2P3P4P5P6P7P8T10.9325 11-0.45260.3895111T2-0.45710.2854-0.90240.9121-0.08411-0.28710.5647T30.51340.94130.9711-0.41870.28550.85460.94280.9572T40.15450.1564-0.5-0.65710.3333-0.6667-0.3333-0.5T50.17650.76480.12590.64720.05630.17260.51510.4212T6-0.6744-0.45410.845410.8614-0.67140.6279-0.6785T70.46470.57100.0712-0.7845-0.28710.89150.65530.6152T80.681810.6250.8426-0.6215-0.157410.7782程序：clcclearcloseallnntwarnoff;warningoff;P=[0.9325 1 1 -0.4526 0.3895 1 111; -0.4571 0.2854 -0.9024 0.9121 0.0841 1 0.2871 0.5647 2; 0.5134 0.9413 0.9711 -0.4187 0.2855 0.8546 0.9478 0.9572 3; 0.1545 0.1654 -0.5 -0.6571 -0.3333 -0.6667 -0.3333 -0.5 4; 0.1765 0.7648 0.1259 0.6472 0.0563 0.1726 0.5151 0.4212 5; -0.6744 0.4541 0.8454 1 0.8614 -0.6714 0.6279 -0.6785 6; 0.4647 0.5710 0.0712 -0.7845 -0.2871 0.8915 0.6553 0.6152 7; 0.6818 1 0.625 0.8426 -0.6215 -0.1574 1 0.7782 8;];C1=-1+(2*rand(10,8));C2=[1;2;3;4;5;6;7;8;9;10];C=[C1,C2]Train=P(1:8,:);Test=C;p_train=Train(:,1:8);t_train=Train(:,9); p_test=Test(:,1:8);t_test=Test(:,9);t_train=ind2vec(t_train);t_train_temp=Train(:,9);Spread=1.5;net=newpnn(p_train,t_train,Spread);Y=sim(net,p_train);YC=vec2ind(Y);figure(1)subplot(1,2,1)stem(1:length(YC),t_train_temp,r*)title(PNN网络训练后的结果)xlabel(样本编号)ylabel(分类结果)set(gca,Ytick,[1:8])subplot(1,2,2)H=YC-t_train_temp;stem(H)title(PNN训练后的误差图)xlabel(样本编号)Y2=sim(net,p_test);Y2C=vec2ind(Y2);figure(2)stem(1:length(Y2C),Y2C,b)holdonstem(1:length(Y2C),t_test,r*)title(PNN网络的预测图)xlabel(预测样本编号)ylabel(分类结果)set(gca,Ytick,[1:8])结果图像：蓝线为预测结果实验中遇到的问题及其分析错误的理解了参考程序中t_test的含义，结果最开始将样本中的某一行作为了分类类别，而且采用了反归一化算法（因为ind2vec只能处理正整数）结果完全没有可以参照的对象，导致图像中完全不能显示分类的结果。在老师的提示后，修改了程序，并加入了第九行分类的类别后解决了问题最开始在测试矩阵处，自己编了一个测试矩阵，但结果并不理想，可能由于人习惯的缘故，导致各个测试结果十分的相近并没有分出多少类，所以将自己编写矩阵的工作交给了电脑，即：采用了matlab中的rand函数，并且采用了[a,b]的方法，将矩阵合并。这样便出现了完全由电脑随机的矩阵。使得预测样本编号分类看上去很好，而且也减少了自己的工作量。但这样做也有缺点，每次运行时