基于RBF改進-實驗報告

精品文檔 1歡迎下載 基于基于 RBFRBF 的回熱系統(tǒng)故障診斷的回熱系統(tǒng)故障診斷 RBFRBF 實驗名稱實驗名稱 基于 RBF 的回熱系統(tǒng)故障診斷 RBFRBF 神經(jīng)網(wǎng)絡(luò)優(yōu)點及結(jié)構(gòu) 神經(jīng)網(wǎng)絡(luò)優(yōu)點及結(jié)構(gòu) 盡管 BP 神經(jīng)網(wǎng)絡(luò)具有很好的非線性映射能力和靈活的 網(wǎng)絡(luò)結(jié)構(gòu)等優(yōu)點 但存在著收斂速度慢缺點 而 RBF 神經(jīng)網(wǎng)絡(luò)無論在逼近能力 分類能力和學習速度等方面均優(yōu)于 BP 神經(jīng)網(wǎng)絡(luò) RBF 神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)和 BP 神經(jīng) 網(wǎng)絡(luò)類似 都屬于多層前向網(wǎng)絡(luò) 典型的 RBF 神經(jīng)網(wǎng)絡(luò)由輸入層 隱含層 輸 出層組成 其結(jié)構(gòu)如圖一所示 圖一 RBF 神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)圖 其中輸入層由輸入信號的源節(jié)點組成 第二層為隱含層 第三層為輸出層 輸出神經(jīng)網(wǎng)絡(luò)對輸入的響應(yīng) 其中隱含層的激活函數(shù)稱為徑向函數(shù) RBF 該 函數(shù)是一種局部分布的關(guān)于中心點對稱的非負非線性函數(shù) 實現(xiàn)了從輸入空間 到隱含層空間的非線性變換 而隱含層空間到輸出層空間的變換是線性的 使 隱含層的輸出按權(quán)值疊加 得到 RBF 網(wǎng)絡(luò)的輸出 構(gòu)成 RBF 的基本思想是 用 RBF 作為隱含層節(jié)點的 基 構(gòu)成隱含層空間 這樣就可以將輸入向量直接 不通過權(quán)連接 映射到隱含層空間 當 RBF 的中心 和寬度確定后 這樣映射關(guān)系就確定了 而隱含層空間到輸出層空間的映射是 線性的 即網(wǎng)絡(luò)的輸出是隱含層節(jié)點輸出的線性加權(quán)和 此處的權(quán)即為網(wǎng)絡(luò)可 調(diào)參數(shù) 由此可見 從總體上看 網(wǎng)絡(luò)由輸入到輸出的映射是非線性的 然而 網(wǎng)絡(luò)輸出對可調(diào)參數(shù)而言卻是線性的 這樣網(wǎng)絡(luò)的權(quán)就可由線性方程組解出或 精品文檔 2歡迎下載 用 RLS 方法遞推計算 從而大大加快學習速度并避免局部極小問題 這也是 RBF 神經(jīng)網(wǎng)絡(luò)的優(yōu)勢存在 這里描述 RBF 神經(jīng)網(wǎng)絡(luò)的構(gòu)造 RBF 神經(jīng)網(wǎng)絡(luò)的隱含層由一組徑向基 函數(shù)構(gòu)成 與每個隱含層節(jié)點相關(guān)的參數(shù)向量為中心 Cj 和寬度 j 隱含層節(jié) 點計算輸入與中心的歐幾里得范數(shù)作為徑向基函數(shù)的自變量 rj2 典型的徑向 基函數(shù)有很多 但是我們在此處選用 uj exp rj2 c2 高斯函數(shù) 作為徑向函數(shù) 隱含層的輸出按權(quán)值疊加 得到 RBF 網(wǎng)絡(luò)輸出 假設(shè) RBF 神經(jīng)網(wǎng)絡(luò)輸出層 隱含層 輸出層的節(jié)點數(shù)為 I J K 當輸入為 X x1 x2 x3 xn 時 隱含層第 j 個神經(jīng)元的輸出為 j 1 2 3 J 2 exp 2 2 j j j CX u 其中為高斯基函數(shù)的中心 是一個 I 維的向量 寬度也就是高斯基函數(shù)的方差 j C j 是一個數(shù)值量 輸出層由隱含層輸出線性組合而成 其第 k 個神經(jīng)元輸出為 k 1 2 3 K J j jjkk uy 1 實驗流程 精品文檔 3歡迎下載 開始初始化 讀取所要訓練的樣本數(shù)據(jù)和設(shè)定的目標向量 直接調(diào)用 matlab 里面的程序 對隱含層和輸出層各單元的權(quán)值和輸出進行求解 在進行 計算目標值和實際輸出的偏差 E 判斷 E 是否滿足設(shè)定要求 如果所有誤差都 能滿足設(shè)定值 就可以跳出程序 結(jié)束本次計算 如果不滿足 則要再次進行 隱含層的誤差計算 求誤差梯度 進行權(quán)值學習 再次進行計算 進行訓練成 功以后 再將測試樣本數(shù)據(jù)帶入網(wǎng)絡(luò)進行測試 得到實驗結(jié)果 根據(jù)實驗結(jié)果 判斷故障類型 RBFRBF 神經(jīng)網(wǎng)絡(luò)的學習算法 神經(jīng)網(wǎng)絡(luò)的學習算法 而對于 RBF 神經(jīng)網(wǎng)絡(luò)主要訓練的參數(shù)主要是基函數(shù)的中心 寬度以及隱含層和輸出層 的連接權(quán)值 選擇梯度下降法作為簡述過程 首先定義目標函數(shù) M 表示訓練樣本的個數(shù) 代表樣本 m 的誤差 計 M m eE 1m 2 2 1 m e 精品文檔 4歡迎下載 算公式為 梯度下降法得到的更新值為 mmmmm Xfdyde 為學習系數(shù) 也稱為學習率 1 n nE lnn l 對于正交最小二乘法是常用的 RBF 網(wǎng)絡(luò)學習方法 其基本思想是將徑向基函數(shù)的中心 選作訓練樣本的子集 用誤差下降率答方法衡量每個樣本對輸出的貢獻 調(diào)整網(wǎng)絡(luò)的結(jié)構(gòu) 和中心 知道滿足設(shè)定的靜止條件 MATLAB 的神經(jīng)網(wǎng)絡(luò)工具箱中構(gòu)建 RBF 神經(jīng)網(wǎng)絡(luò)的 newrb 函數(shù)就是使用正交最小二乘法實現(xiàn)的 其基本原理是從 0 個神經(jīng)網(wǎng)絡(luò)開始訓練 通 過檢查輸出誤差 使網(wǎng)絡(luò)自動增加神經(jīng)元 每次循環(huán)使用 是網(wǎng)絡(luò)產(chǎn)生的最大誤差所對應(yīng) 得輸入向量作為中心 產(chǎn)生一個新的隱含層神經(jīng)元 然后檢查新網(wǎng)絡(luò)的誤差 重復此過程 直至達到誤差要求或最大隱含層神經(jīng)元數(shù)為止 使用該函數(shù)構(gòu)造 RBF 神經(jīng)網(wǎng)絡(luò) 需要設(shè)定 參數(shù) spread 擴展系數(shù) 對應(yīng)式高斯函數(shù)的寬度 j 因此設(shè)計 RBF 神經(jīng)網(wǎng)絡(luò)時需要反 復嘗試不同的 spread 值 以取得較好的結(jié)果 實例研究實例研究 故障模式表格及其征兆變化 如下表一所示 表一 序號故障模式征兆變化 1 2 3 9 A 排油管道逆止閥卡澀稍小不變稍小不變稍小稍小不變不變稍小 B 排氣管道排氣不暢稍小不變不變不變稍小稍小變大不變不變 C 排氣管道排氣量過大稍大不變稍大不變稍小稍小變大不變不變 D 加熱管束污染 結(jié)垢稍小不變不變不變變小變小變大不變稍大 精品文檔 5歡迎下載 E 加熱器內(nèi)部水側(cè)短路稍小不變不變不變變小變小變大不變不變 F 加熱器內(nèi)部管系泄漏變大不變稍大不變變小變小變大變大稍小 G 疏水不暢稍小不變不變不變稍小稍小變大稍大不變 H 加熱器旁路閥故障稍大不變不變不變不變不變不變變小變大 J 疏水器故障稍小不變不變不變不變變小不變不變不變 I 加熱器滿水稍小不變不變不變稍小變小變大變大不變 K 除氧器排氣帶水不變不變不變不變不變不變不變變大不變 L 除氧器自身沸騰稍小稍大變大不變變大不變不變變大不變 M 運行正常不變不變不變不變不變不變不變不變不變 首先給出訓練參數(shù) 如下表二所示 表二 加熱器特征參數(shù)值對應(yīng) 故障 123456789 A0 250 400 250 50 50 50 250 50 25 B0 250 400 500 500 500 500 750 500 50 C0 750 600 750 500 500 500 500 500 50 D0 250 400 500 500 250 250 500 500 75 E0 250 400 500 500 000 001 000 500 50 F0 750 600 750 500 250 250 751 000 25 G0 250 400 500 500 500 500 750 750 50 H0 750 600 500 500 750 750 250 001 00 I0 250 400 500 500 750 250 250 500 50 J0 250 400 500 500 250 250 751 000 50 K0 500 500 500 500 750 750 251 000 50 L0 2500 750 750 501 001 000 251 000 50 M0 500 500 500 500 750 750 250 500 50 精品文檔 6歡迎下載 由上述數(shù)據(jù)訓練一個 RBF 神經(jīng)網(wǎng)絡(luò)然后給出兩組測試數(shù)據(jù) 如表三 表四所示 表三 診斷輸入 0 58 9 0 4950 6580 503 6 0 817 5 0 750 250 9310 5 各故障隸度類型 ABCDEFGHIJKLM RBF 0 1555 0 0 197 0 13 08 0 090 7 0 045 9 0 010 3 0 00 82 0 043 2 0 05530 25010 90820 08280 1069 BP0 00050 0 000 0 00 51 0 000 0 0 000 0 0 014 1 0 00 39 0 000 0 0 00000 00020 90300 07550 0403 診斷結(jié)果 除氧器排氣帶水 表四 診斷輸入 0 79340 46840 77900 52800 28850 28310 69790 81980 2247 診斷輸出 各種故障隸屬度類 型 ABCDEFGHIJKLM RBF0 05 91 0 07 67 0 28 33 0 0 184 0 06 82 0 91 22 0 1 501 0 03 23 0 00 70 0 1 371 0 0 183 0 00 79 0 08 92 BP0 00 22 0 00 0 0 07 75 0 0 000 0 00 16 0 90 71 0 0 062 0 00 02 0 00 01 0 0 005 0 0 023 0 00 13 0 00 01 診斷結(jié)果 加熱管內(nèi)部管系泄露 精品文檔 7歡迎下載 RBFRBF 實驗程序 實驗程序 P 0 25 0 40 0 25 0 50 0 50 0 50 0 25 0 50 0 25 0 25 0 40 0 50 0 50 0 50 0 50 0 75 0 50 0 50 0 75 0 60 0 75 0 50 0 50 0 50 0 50 0 50 0 50 0 25 0 40 0 50 0 50 0 25 0 25 0 50 0 50 0 75 0 25 0 40 0 50 0 50 0 00 0 00 1 00 0 50 0 50 0 75 0 60 0 75 0 50 0 25 0 25 0 75 1 00 0 25 0 25 0 40 0 50 0 50 0 50 0 50 0 75 0 75 0 50 0 75 0 60 0 50 0 50 0 75 0 75 0 25 0 00 1 00 0 25 0 40 0 50 0 50 0 75 0 25 0 25 0 50 0 50 0 25 0 40 0 50 0 50 0 25 0 25 0 75 1 00 0 50 0 50 0 50 0 50 0 50 0 75 0 75 0 25 1 00 0 50 0 25 0 75 0 75 0 50 1 00 1 00 0 25 1 00 0 50 0 50 0 50 0 50 0 50 0 75 0 75 0 25 0 50 0 50 T 1 0 0 0 0 0 0 0 0 0 0 0 0 0 1 0 0 0 0 0 0 0 0 0 0 0 0 0 1 0 0 0 0 0 0 0 0 0 0 0 0 0 1 0 0 0 0 0 0 0 0 0 0 0 0 0 1 0 0 0 0 0 0 0 0 0 0 0 0 0 1 0 0 0 0 0 0 0 0 0 0 0 0 0 1 0 0 0 0 0 0 0 0 0 0 0 0 0 1 0 0 0 0 0 0 0 0 0 0 0 0 0 1 0 0 0 0 0 0 0 0 0 0 0 0 0 1 0 0 0 精品文檔 8歡迎下載 0 0 0 0 0 0 0 0 0 0 1 0 0 0 0 0 0 0 0 0 0 0 0 0 1 0 0 0 0 0 0 0 0 0 0 0 0 0 1 P P T T spread 0 82 net newrbe P T spread 對 test1 進行故障診斷 p1 0 589 0 495 0 658 0 5036 0 8175 0 75 0 25 0 931 0 5 對網(wǎng)絡(luò)進行仿真 y1 sim net p1 type1 y1 對 test2 進行故障診斷 p2 0 7934 0 4684 0 7790 0 5280 0 2885 0 2831 0 6979 0 8198 0 2247 y2 sim net p2 type2 y2 RBFRBF 實驗程序測試實驗結(jié)果如下圖所示 實驗程序測試實驗結(jié)果如下圖所示 spread 0 5 時的診斷結(jié)果 精品文檔 9