System.ArgumentOutOfRangeException: 索引和长度必须引用该字符串内的位置。 参数名: length 在 System.String.Substring(Int32 startIndex, Int32 length) 在 zhuanliShow.Bind()
【技术实现步骤摘要】
本专利技术涉及雷达收发器故障诊断,尤其涉及一种基于稀疏动量深度置信网络的雷达收发器故障诊断方法。
技术介绍
1、收发机作为雷达系统的核心部件,其工作状态的好坏直接影响到系统的性能和数据精度。首先,雷达系统依靠关键部件的协同工作来探测目标并获取数据。如果其中任何一个部件出现故障,都可能导致雷达性能下降,影响数据的准确性和实时性。
2、深度置信网络(dbn)由于其优越的特征挖掘和故障建模能力,在众多数据驱动的故障诊断方法中引起了广泛关注。尽管dbn被广泛使用,但它仍然有一些需要解决的缺点。例如,在学习阶段很容易出现特征均匀性或网络过度拟合,导致识别水平迅速下降。现有研究通常将优化算法与dbn相结合以防止过拟合,然而已有方法往往容易滑入局部最优条件,可能对dbn的诊断结果产生负面影响。
技术实现思路
1、针对现有技术的不足,本专利技术提供了一种基于稀疏动量深度置信网络的雷达收发器故障诊断方法,解决了传统雷达收发器故障诊断方法抗振荡能力差、容易过拟合、故障特征提取能力不足、诊断精度低的问题。
2、为解决上述技术问题,本专利技术提供了如下技术方案:一种基于稀疏动量深度置信网络的雷达收发器故障诊断方法,该方法包括以下步骤:
3、s1、采用传感器采集雷达收发器的运行状态数据;
4、s2、通过混合正余弦算法配置稀疏动量深度置信网络的超参数,生成最优配置的稀疏动量深度置信网络;
5、s3、采用状态监测数据对最优配置的稀疏动量深度置信网络进行
6、s4、基于训练后的稀疏动量深度置信网络,输入在线的状态监测数据确定雷达收发器的故障类型。
7、进一步地,在步骤s2中,具体过程包括以下步骤:
8、s21、初始化混合正余弦算法的参数,包括种群规模和搜索空间的维度,并以此随机生成初始种群;
9、s22、以初始种群的所有个体分别配置稀疏动量深度置信网络的超参数,并计算适应度函数,将初始种群中得到最优适应度的个体设为全局最优个体z;
10、s23、进行迭代,以第t代种群的所有个体分别配置稀疏动量深度置信网络的超参数,并计算适应度函数,将第t代中得到最优适应度的个体设为;
11、s24、判断个体与个体z的优劣,若个体的适应度优于个体z的适应度,则令个体为新的全局最优个体z;若不优于,则保持原全局最优个体z不变;
12、s25、更新下一代种群为;
13、s26、判断混合正余弦算法是否收敛,若不收敛,则重复步骤s23~s26;若收敛,则输出全局最优个体z,并利用最优个体z配置稀疏动量深度置信网络的超参数。
14、进一步地,在步骤s22中,适应度函数的计算公式为:
15、;
16、上式中,表示观测项s的预测标签值;表示观测项s的真实标签值;c是故障类型总数。
17、进一步地,在步骤s25中,更新公式如下所示:
18、;
19、;
20、;
21、;
22、上式中,表示以t为自变量的改进sigmoid激活函数;k为影响因子;表示以自然常数e为底数的指数函数;t为最大迭代次数;t为当前迭代次数;为第t代种群的第i个个体;是0到间的随机数;的范围为0到2;为正弦和余弦函数的振幅因子;为固定值;为第t+1代种群的第i个个体;表示个体z的适应度;为动态惯性权值;e为自然常数。
23、进一步地,在步骤s3中,具体过程包括以下步骤:
24、s31、将雷达收发器的状态监测数据作为稀疏动量深度置信网络的输入;
25、s32、由稀疏动量深度置信网络得到对雷达收发器故障类型的诊断结果,依据诊断结果的准确率更新网络参数;
26、s33、判断稀疏动量深度置信网络是否收敛,若不收敛,重复步骤s31~s33以训练稀疏动量深度置信网络;若收敛,则稀疏动量深度置信网络完成训练。
27、进一步地,在步骤s32中,网络参数更新公式如下:
28、;
29、;
30、;
31、上式中,表示训练迭代数;表示第i个可见层的偏置;表示第j个隐藏层的偏置;表示第i个可见层到第j个隐藏层的连接权重;表示第次迭代中第i个可见层的偏置的变化量;表示第次迭代中第j个隐藏层的偏置的变化量;表示第次迭代中第i个可见层到第j个隐藏层的连接权重的变化量;h和v分别表示深度置信网络中的状态向量;为学习率;和分别表示观测数据和重构数据的期望值;表示高斯函数;表示第j个隐藏层的激活概率;是方差因子;是正则化因子;为动量因子;表示稀疏正则项;n为可见层总数;m为隐藏层总数;为第j个隐藏层的神经元;为第i个可见层的神经元。
32、进一步地,在步骤s4中,具体过程包括以下步骤:
33、s41、在需要故障诊断的雷达收发器上采集运行状态数据;
34、s42、将采集的运行状态数据输入完成训练的稀疏动量深度置信网络中,稀疏动量深度置信网络输出不同故障类型的概率值;
35、s43、选取最大概率值对应的故障作为最终雷达收发器的故障类型,实现对雷达收发器的故障诊断。
36、借由上述技术方案,本专利技术提供了一种基于稀疏动量深度置信网络的雷达收发器故障诊断方法,至少具备以下有益效果:
37、本专利技术能够输出更为准确的雷达收发器故障诊断结果,对单一故障和复合故障都有很高的识别精度,达到了提升雷达收发器故障诊断准确率的目的。
本文档来自技高网...【技术保护点】
1.一种基于稀疏动量深度置信网络的雷达收发器故障诊断方法,其特征在于,该方法包括以下步骤:
2.根据权利要求1所述的雷达收发器故障诊断方法,其特征在于,在步骤S2中,具体过程包括以下步骤:
3.根据权利要求2所述的雷达收发器故障诊断方法,其特征在于,在步骤S22中,适应度函数的计算公式为:
4.根据权利要求2所述的雷达收发器故障诊断方法,其特征在于,在步骤S25中,更新公式如下所示:
5.根据权利要求1所述的雷达收发器故障诊断方法,其特征在于,在步骤S3中,具体过程包括以下步骤:
6.根据权利要求5所述的雷达收发器故障诊断方法,其特征在于,在步骤S32中,网络参数更新公式如下:
7.根据权利要求1所述的雷达收发器故障诊断方法,其特征在于,在步骤S4中,具体过程包括以下步骤:
【技术特征摘要】
1.一种基于稀疏动量深度置信网络的雷达收发器故障诊断方法,其特征在于,该方法包括以下步骤:
2.根据权利要求1所述的雷达收发器故障诊断方法,其特征在于,在步骤s2中,具体过程包括以下步骤:
3.根据权利要求2所述的雷达收发器故障诊断方法,其特征在于,在步骤s22中,适应度函数的计算公式为:
4.根据权利要求2所述的雷达收发器故障诊断方法,其...
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。