一种基于混合编码的遗传算法在转子冲击信号特征提取中的应用.docxVIP

一种基于混合编码的遗传算法在转子冲击信号特征提取中的应用 在许多应用中，基元函数的选择是一种非常重要的方法。因此，基元函数的选择已成为一个热门的研究问题。摘要提出的适应跟踪算法可以将信号分解为最接近局部结构特征的基元函数的线性组合。与小波变换和短期傅里叶变换相比，该算法具有更灵活的时频分辨率。然而，冗余基元函数库的使用极大地降低了算法的计算，严重阻碍了算法的应用。为了满足编码要求，需要对搜索空间进行分散。分散化程度直接影响到计算过程中计算结果的精度，即使搜索空间的精细度降低，也会导致搜索精度的误差。尤其是，搜索相位的值与实际值完全不同。在这项工作中，我们使用了浮点数编码算法的原理，并确定了搜索空间的任意精度、局部搜索能力和全球网格编码算法的性质。本文提出了一种使用浮点数编码算法的遗传算法，该算法可以实现搜索空间的任意精度、局部搜索能力和全球搜索能力的特点。浮点数编码算法可以实现整个搜索空间的适应性。在任何详细的搜索空间中选择所需的基元函数，在不增加计算量的情况下，可以实现比二进制编码更可靠的结果。这可以满足实际应用的需要。 1 匹配追踪算法的基本原理 由信号展开理论,任一给定信号f(t)可以表示为分析域D的基元函数{hn(t)}n∈Z的线性组合,即 f(t)=∑n∈Ζanhn(t)(1)f(t)=∑n∈Zanhn(t)(1) D可以是有限维或无限维.如果{hn(t)}正交,展开系数an可用f(t)和hn(t)的内积计算,即 an=?f(t),hn(t)?=∫+∞-∞f(t)h*n(t)dt(2)an=?f(t),hn(t)?=∫+∞?∞f(t)h?n(t)dt(2) 式中:h*n(t)是hn(t)的复共轭.式(2)刻画了f(t)和hn(t)之间的相似性. 对式(1)的求解有许多方法,一种灵活而稳定的算法是Mallat和Qian等基于投影追踪算法提出的逐步递推法,称为匹配追踪算法.它对{hn(t)}无正交要求,是一种从D中逐步挑选一组基元函数来计算f(t)的一个线性展开的迭代算法,并通过求解f(t)在D上的正交投影对f(t)进行连续逼近.首先,在D中选取与f(t)有最好匹配的基元函数,即选取与f(t)最相似的基元函数,然后将选取的与基元函数相匹配的成分从f(t)中提取出来,如同对f(t)一样,再将残余信号Rf(t)投影到D中一个与Rf(t)最好匹配的基元函数上,对它进行分解.这个过程每一次都在所得到的残余信号上重复,直到残余信号的能量小于设定的阈值为止.匹配追踪算法实质上就是一种信号正交投影的过程,这样可以保证信号按选定基元函数分解的惟一性,具体的分解过程如图1所示. 2 连续函数离散化 遗传算法首先要将优化变量通过编码映射到编码空间.Holland运用模式定理分析编码机制,建议采用二进制编码,但二进制编码一方面存在着连续函数离散化时的映射误差;另一方面,也不便反映所求问题的结构特征,且存在着Hamming悬岸问题.对于一些连续函数的优化问题,由于遗传算法的随机特性而使得其局部搜索能力比较差,尤其在进行数值优化时难以达到精度要求,而实现时需要频繁解码,使运算过程变慢.为了克服二进制编码的缺点,可以消除Hamming悬崖问题的格雷码编码方法和便于大空间搜索、可取得搜索空间任意精度的浮点数编码策略越来越受到重视. 2.1 浮点数编码和雷达编码转换 为了提高匹配追踪算法的精度和收敛速度,结合浮点数编码方法局部搜索能力较强、格雷码编码方法全局搜索能力较强的特点,本文的遗传算法采用混合编码方式,先用格雷码编码进行较大空间的遗传搜索,进化后期再用浮点数编码进行小范围的寻优.该方法不易陷入局部收敛,具有很强的跳出局部极值的能力,且收敛速度较快.由于算法中同时采用了2种编码方法,因此在算法进行过程中,根据需要设置一个调节参数,进行格雷码编码和浮点数编码2种编码方法的转换.当进化代数小于最大代数的调节参数倍时,算法采用格雷码编码方法,并采用与格雷码编码方式对应的交叉、变异算子进行遗传操作.当进化代数不小于最大代数的调节参数倍时,算法采用浮点编码方式,并采用与浮点数编码方式对应的交叉、变异算子进行遗传操作.具体实现过程如图2所示. 2.2 个体的遗传进化 2.2.1 选择操作 选择操作建立在对个体适应度进行评价的基础之上,为了保证当前的最优个体不被交叉、变异等遗传运算破坏,本文采用最优保存策略进化模型来进行优胜劣汰操作,该策略是遗传算法收敛性的一个重要保证条件. 2.2.2 交叉操作 本文的格雷码编码采用单点交叉的方法,浮点数编码方式下的交叉采用非均匀算术交叉,具体算子定义为:假设在第t代的2个个体XtAtA和XtB之间进行交叉,则交叉操作后所产生t+1代的2个新个体为 Xt+1A=αXtB+(1-α)XtAXt+1B=αXtA+(1-α)XtB