CN110222830A - 一种基于自适应遗传算法优化的深度前馈网络故障诊断方法 - Google Patents
一种基于自适应遗传算法优化的深度前馈网络故障诊断方法 Download PDFInfo
- Publication number
- CN110222830A CN110222830A CN201910512358.5A CN201910512358A CN110222830A CN 110222830 A CN110222830 A CN 110222830A CN 201910512358 A CN201910512358 A CN 201910512358A CN 110222830 A CN110222830 A CN 110222830A
- Authority
- CN
- China
- Prior art keywords
- self
- genetic algorithm
- neural network
- network
- hidden layer
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
- 230000002068 genetic effect Effects 0.000 title claims abstract description 54
- 238000005457 optimization Methods 0.000 title claims abstract description 21
- 238000000034 method Methods 0.000 title claims abstract description 19
- 238000013528 artificial neural network Methods 0.000 claims abstract description 62
- 230000004913 activation Effects 0.000 claims abstract description 21
- 238000004364 calculation method Methods 0.000 claims abstract description 6
- 238000012216 screening Methods 0.000 claims abstract 2
- 210000000349 chromosome Anatomy 0.000 claims description 22
- 230000003044 adaptive effect Effects 0.000 claims description 10
- 108090000623 proteins and genes Proteins 0.000 claims description 10
- 238000012360 testing method Methods 0.000 claims description 7
- 238000012549 training Methods 0.000 claims description 6
- 230000035772 mutation Effects 0.000 claims description 3
- 210000004218 nerve net Anatomy 0.000 claims description 3
- 238000003745 diagnosis Methods 0.000 abstract description 7
- 230000006870 function Effects 0.000 description 35
- 230000008901 benefit Effects 0.000 description 4
- 238000010586 diagram Methods 0.000 description 3
- 210000005036 nerve Anatomy 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 230000006978 adaptation Effects 0.000 description 1
- 230000002547 anomalous effect Effects 0.000 description 1
- 230000000052 comparative effect Effects 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000002405 diagnostic procedure Methods 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 238000003062 neural network model Methods 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/044—Recurrent networks, e.g. Hopfield networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/12—Computing arrangements based on biological models using genetic models
- G06N3/126—Evolutionary algorithms, e.g. genetic algorithms or genetic programming
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Biophysics (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Theoretical Computer Science (AREA)
- Computational Linguistics (AREA)
- General Health & Medical Sciences (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Software Systems (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- Bioinformatics & Computational Biology (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Evolutionary Biology (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Genetics & Genomics (AREA)
- Physiology (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Image Analysis (AREA)
Abstract
本发明提供一种基于自适应遗传算法优化的深度前馈网络故障诊断方法，包括：(1)通过输入数据特征计算初始误差；(2)将误差函数作为适应度函数，将深度神经网络的隐含层层数，隐含层节点数，激活函数及优化函数作为预置可选变量依次带入自适应遗传算法中，通过自适应遗传算法对深度神经网络的连接权值和偏置量进行寻优，通过误差函数判定误差的大小，不断筛选深度神经网络的隐含层层数，隐含层节点数，激活函数及优化函数，直到找到最优的网络结构；(3)根据自适应遗传算法寻优得到的全局最佳网络参数，对深度神经网络重新设置，并利用原始数据进行训练。本发明提高了深度前馈神经网络的故障诊断的识别精度。
Description
技术领域
本发明涉及图像处理技术领域，尤其涉及一种监控视频异常事件的检测方法。
背景技术
人工神经网络因其具有非线性映射能力，自学习和自调整能力，容错率高，泛化能力强的优点，已广泛应用于故障诊断领域中。深度神经网络虽然相比浅层神经网络在非线性、自适应学习原始数据特征，有效挖掘大数据潜在信息，获取较高识别精度方面具有绝对的优势，但深度神经网络仍然存在运算时间长，参数设置依靠经验从而导致运算效率降低，参数设置缺乏理论依据的问题，困扰着深度神经网络在故障诊断领域的进一步发展。
群智能算法(SI)是采用随机优化策略进行优化的一类算法，具有良好的全局寻优能力，因此，许多学者将SI作为优化人工神经网络的学习算法，但这些方法都只是在确定的神经网络结构，激活函数和优化函数的前提下，对神经网络的连接权值和偏置量进行优化，既不能保证其连接权值和偏置量在全部可选的网络结构上达到最优，且其网络结构，激活函数和优化函数是否选择合理也缺少理论支撑。因此，本发明针对深度神经网络在故障诊断方面所存在的问题，将自适应遗传算法和深度前馈网络相结合，提出一种基于自适应遗传算法优化的深度前馈网络故障诊断模型。
发明内容
本发明的目的在于提供一种依据数据决定网络参数，最大限度减少人为因素干扰的基于自适应遗传算法优化的深度前馈网络故障诊断方法，以提高故障诊断识别精度。
一种基于自适应遗传算法优化的深度前馈网络故障诊断方法，包括以下步骤：
(1)通过输入数据特征计算初始误差；
(2)将误差函数作为适应度函数，将深度神经网络的隐含层层数，隐含层节点数，激活函数及优化函数作为预置可选变量依次带入自适应遗传算法中，通过自适应遗传算法对深度神经网络的连接权值和偏置量进行寻优，通过误差函数判定误差的大小，不断筛选深度神经网络的隐含层层数，隐含层节点数，激活函数及优化函数，直到找到最优的网络结构；
(3)根据自适应遗传算法寻优得到的全局最佳网络参数，对深度神经网络的隐含层层数，隐含层节点数，激活函数及优化函数进行重新设置，并利用原始数据进行训练。
进一步地，如上所述的基于自适应遗传算法优化的深度前馈网络故障诊断方法，所述步骤(1)包括：
结合所研究的具体问题，人工预设深度前馈网络隐含层层数预选值，隐含层节点数预选值，激活函数预选项及优化函数预选项，并按照MD5编码方式将其设置为自适应遗传算法初始种群染色体的个体。
进一步地，如上所述的基于自适应遗传算法优化的深度前馈网络故障诊断方法，所述步骤2包括以下步骤：
(21)将深度前馈网络运算所得的损失函数定义为适应度函数
其中v为测试集测试数据的个数，N为深度前馈网络输出层的节点数，代表输出层实际输出，代表每组数据对应的标签；
(22)计算各染色体的适应度值Fi，并定义每个个体的适应度值Fi与所有个体的适应度值之和的比值为其遗传到下一代的概率
其中，Fi为种群种个体i的适应度值，a为种群个数。
(23)自适应Pc决定了交叉操作发生概率的大小，并通过在旧种群选择“爸爸”和“妈妈”个体进行交叉操作，产生新个体遗传到下一代种群中
其中，r为[0,1]的随机数；gk1j,gk2j分别为k1和k2个体在第j为的基因；
(24)自适应Pm决定染色体i发生变异的概率，通过变异操作随机选择染色体i上的若干基因进行修改，增强种群的适应度；
其中，r1和r2为随机数；s为当前迭代次数，smax为最大变异次数；gmax和gmin为染色体i上基因gij的上、下边界；
(25)适应度值若满足算法开始前设置的提前结束条件，则修正深度前馈网络中的隐含层层数，各隐含层节点数，激活函数和优化函数等参数，若不满足则返回第(22)步，重复上述操作；
(26)当步骤(25)结束后，利用自适应遗传算法所求得的最优个体对深度前馈网络的初始权值及偏置量进行更新，则深度前馈网络重新从输入层开始逐层进行训练，直至每一层均训练结束，此时该神经网络结构的各层的权重值wi＝{wi1，wi2，…，wij}及其偏量值w0＝{w10，w20，…，wi0}及误差值均已确定；更新神经网络结构参数，利用自适应遗传算法重新进行寻优；
(27)将(26)中记录的各种神经网络的误差值进行比较，选出最小误差所对应的神经网络的结构参数重新从输入层开始逐层进行训练，直至每一层均训练结束，此时所求得的神经网络结构即为最优神经网络结构。
有益效果：
本发明将神经网络结构(隐含层层数、隐含层节点数、权值、偏置量)进行预置，以误差函数作为自适应遗传算法选择神经网络结构的标尺，通过将每种网络结构下自适应遗传算法根据误差函数所求得权值和偏置量的误差进行比较，选定误差最小的神经网络结构为该组数据最合适的神经网络结构，从而间接的得到全网络结构最优的连接权值和偏置量，从而提高了深度前馈神经网络的故障诊断的识别精度。
(1)自适应遗传算法在确定的神经网络结构上，对其权值和偏置量具有全局寻优能力。
(2)误差函数作为遗传算法的适应度函数可以衡量确定网络结构下的训练误差。
(3)通过预置神经网络的隐含层层数、隐含层节点数、权值、偏置量可以根据数据特征动态的选择神经网络的结构，从而保证了其具有较强适用性。
附图说明
图1为本发明基于自适应遗传算法优化的深度前馈网络故障诊断方法流程图；
图2为MNIST数据集故障识别准确率对比图；
图3为CIFAR10数据集故障识别准确率对比图。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚，下面对本发明中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
针对深度神经网络参数设置主要依靠操作者经验设定，且群智能算法优化神经网络并没有扩展到全网络结构，全激活函数和全优化函数，本发明设计了一种根据数据具体特征，通过动态选择被优化神经网络的最合理网络结构，激活函数和优化函数的方式得到优化神经网络全网络结构的最优权值和偏置量，不仅达到了优化该神经网络结果的目的，更为神经网络的参数设置提供了依据，并将自适应遗传算法优化的深度神经网络与遗传算法优化的深度神经网络进行对比，得出基于本发明思想优化深度神经网络方法的关键因素在于群智能算法的寻优能力。
图1本发明基于自适应遗传算法优化的深度前馈网络故障诊断方法流程图，该方法的主旨思路包括以下步骤：
步骤1：计算并记录误差值，尝试每一种网络结构测试所得误差是否满足条件。
步骤2：解码到满足终止条件，中间包括不断地循环步骤1的过程和判定是否达到终止条件的过程；
步骤3：是否无预置参数组合到完成训练。
具体地，首先，通过输入数据特征计算初始误差；其次；将误差函数作为适应度函数，将深度神经网络的隐含层层数，隐含层节点数，激活函数及优化函数作为预置可选变量依次带入自适应遗传算法中，通过自适应遗传算法对深度神经网络的连接权值和偏置量进行寻优，通过误差函数判定误差的大小，不断筛选深度神经网络的隐含层层数，隐含层节点数，激活函数及优化函数，直到找到最优的网络结构；最后，根据自适应遗传算法寻优得到的全局最佳网络参数，对深度神经网络的隐含层层数，隐含层节点数，激活函数及优化函数进行重新设置，并利用原始数据进行训练。
实施例1：
本实施例提供一种基于自适应遗传算法优化的深度前馈网络故障诊断模型，具体步骤如下：
(1)结合所研究的具体问题，人工预设深度前馈网络隐含层层数预选值，隐含层节点数预选值，激活函数预选项及优化函数预选项，并按照MD5编码方式将其设置为自适应遗传算法初始种群染色体的个体。
具体的，预设DFN网络参数。这一步是为了对神经网络的结构进行预置，相当于提前设置了隐含层层数、隐含层节点数、权值、偏置量的可能取值，并将其进行排列组合。
(2)将深度前馈网络运算所得的损失函数定义为适应度函数
其中v为测试集测试数据的个数，N为深度前馈网络输出层的节点数。
具体地，这一步是为了给遗传算法设置适应度函数(相当于给定遗传算法一个计算公式，这个计算公式用于判定遗传算法得到种群(神经网络的连接权值和偏置量)是否为该网络结构下的最优结构)
(3)计算各染色体的适应度值Fi，并定义每个个体的适应度值Fi与所有个体的适应度值之和的比值为其遗传到下一代的概率
其中，Fi为种群种个体i的适应度值，a为种群个数。
具体地，计算适应度值和选择适应度高的染色体进行复制。这一步用于根据步骤二中的适应度函数(计算公式)选择适应度高的染色体，将这些染色体直接复制给下一代(保留自身信息)。
(4)自适应Pc决定了交叉操作发生概率的大小，并通过在旧种群选择“爸爸”和“妈妈”个体进行交叉操作，产生新个体遗传到下一代种群中
其中，r为[0,1]的随机数；gk1j,gk2j分别为k1和k2个体在第j为的基因。
具体的，运用自适应交叉函数进行交叉。这一步用于将适应度较高的染色体(相当于父辈)的基因(信息)进行随机组合，组合成新的染色体(他们的儿女)。
(5)自适应Pm决定染色体i发生变异的概率，通过变异操作随机选择染色体i上的若干基因进行修改，增强种群的适应度。
其中，r1和r2为随机数；s为当前迭代次数，smax为最大变异次数；gmax和gmin为染色体i上基因gij的上、下边界。
具体地，运用自适应变异函数进行变异。因为“父辈”染色体若只是进行交叉(随机组合)并不能保证找到全局的最优个体(相当于人类变异适应环境，若只是近亲结婚，得病的几率大，而遗传算法里面的环境是适应度函数)。
(6)适应度值若满足算法开始前设置的提前结束条件，则修正深度前馈网络中的隐含层层数，各隐含层节点数，激活函数和优化函数等参数，若不满足则返回第(3)步，重复上述操作。
具体的，满足终止条件。如果将误差设置的很小，则遗传算法将运行许多次(许多次交叉、变异、计算误差)，耗费时间过长，这时我们认为规定了一个可以接受的误差范围和遗传算法最大迭代次数，而这一步便是在判断所得的染色体个体是否满足上述条件。
(7)当(6)结束后，利用自适应遗传算法所求得的最优个体对深度前馈网络的初始权值及偏置量进行更新，则深度前馈网络重新从输入层开始逐层进行训练，直至每一层均训练结束，此时该神经网络结构的各层的权重值wi＝{wi1，wi2，…，wij}及其偏量值w0＝{w10，w20，…，wi0}及误差值均已确定。更新神经网络结构参数，利用自适应遗传算法重新进行寻优。
具体地，选择DFN网络参数到是否无预置参数组合。这一步是进行判断预设的神经网络结构组合是否已经判断完毕。
(8)将(7)中记录的各种神经网络的误差值进行比较，选出最小误差所对应的神经网络的结构参数重新从输入层开始逐层进行训练，直至每一层均训练结束，此时所求得的神经网络结构即为最优神经网络结构。
得到最佳DFN初始参数到结束。这一步是通过比较误差函数的大小来选择最重要选取的神经网络结构，并将重新开始训练。
通过输入向量和每层的权值wi＝{wi1，wi2，…，wij}进行计算得出顶层隐含层hn，然后隐含层hn和权值进行运算得到一个结果，这个结果即为隐含层反向求得的输入，通过计算所求得输入与原本输入之间的误差，并以此为依据，通过BP(backpropagation，BP)算法修正权值参数，直到误差缩小在所设置的范围内，则微调结束，输出最终结果。
图2、图3是通过对比有自适应遗传算法优化的深度前馈神经网络的识别精度和没有遗传算法优化的深度前馈神经网络的识别精度来得出的结论。具体地，图2为MNIST数据集故障识别准确率对比图，该图分别将同种数据输入到自适应遗传算法优化的深度神经网络模型中和遗传算法优化的深度神经网络模型中；图3为CIFAR10数据集故障识别准确率对比图，该图通过同种优化方式迭代次数不同和不同种优化方式迭代次数相同两个维度和复杂程度不同的两组数据，共计四种结果进行故障识别结果对比，通过图2、图3可以看出，基于本发明思想优化深度神经网络的关键因素在于群智能算法的寻优能力，利用本发明故障诊断方法可以提高故障识别的精度。
最后应说明的是：以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。
Claims (3)
1.一种基于自适应遗传算法优化的深度前馈网络故障诊断方法，其特征在于，包括以下步骤：
(1)通过输入数据特征计算初始误差；
(2)将误差函数作为适应度函数，将深度神经网络的隐含层层数，隐含层节点数，激活函数及优化函数作为预置可选变量依次带入自适应遗传算法中，通过自适应遗传算法对深度神经网络的连接权值和偏置量进行寻优，通过误差函数判定误差的大小，不断筛选深度神经网络的隐含层层数，隐含层节点数，激活函数及优化函数，直到找到最优的网络结构；
(3)根据自适应遗传算法寻优得到的全局最佳网络参数，对深度神经网络的隐含层层数，隐含层节点数，激活函数及优化函数进行重新设置，并利用原始数据进行训练。
2.根据权利要求1所述的基于自适应遗传算法优化的深度前馈网络故障诊断方法，其特征在于，所述步骤(1)包括：
结合所研究的具体问题，人工预设深度前馈网络隐含层层数预选值，隐含层节点数预选值，激活函数预选项及优化函数预选项，并按照MD5编码方式将其设置为自适应遗传算法初始种群染色体的个体。
3.根据权利要求1所述的基于自适应遗传算法优化的深度前馈网络故障诊断方法，其特征在于，所述步骤2包括以下步骤：
(21)将深度前馈网络运算所得的损失函数定义为适应度函数
其中v为测试集测试数据的个数，N为深度前馈网络输出层的节点数，代表输出层实际输出，代表每组数据对应的标签；
(22)计算各染色体的适应度值Fi，并定义每个个体的适应度值Fi与所有个体的适应度值之和的比值为其遗传到下一代的概率
其中，Fi为种群种个体i的适应度值，a为种群个数。
(23)自适应Pc决定了交叉操作发生概率的大小，并通过在旧种群选择“爸爸”和“妈妈”个体进行交叉操作，产生新个体遗传到下一代种群中
其中，r为[0，1]的随机数；分别为k1和k2个体在第j为的基因；
(24)自适应Pm决定染色体i发生变异的概率，通过变异操作随机选择染色体i上的若干基因进行修改，增强种群的适应度；
其中，r1和r2为随机数；s为当前迭代次数，smax为最大变异次数；gmax和gmin为染色体i上基因gij的上、下边界；
(25)适应度值若满足算法开始前设置的提前结束条件，则修正深度前馈网络中的隐含层层数，各隐含层节点数，激活函数和优化函数等参数，若不满足则返回第(22)步，重复上述操作；
(26)当步骤(25)结束后，利用自适应遗传算法所求得的最优个体对深度前馈网络的初始权值及偏置量进行更新，则深度前馈网络重新从输入层开始逐层进行训练，直至每一层均训练结束，此时该神经网络结构的各层的权重值wi＝{wi1，wi2，…，wij}及其偏量值w0＝{w10，w20，…，wi0}及误差值均已确定；更新神经网络结构参数，利用自适应遗传算法重新进行寻优；
(27)将(26)中记录的各种神经网络的误差值进行比较，选出最小误差所对应的神经网络的结构参数重新从输入层开始逐层进行训练，直至每一层均训练结束，此时所求得的神经网络结构即为最优神经网络结构。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910512358.5A CN110222830B (zh) | 2019-06-13 | 2019-06-13 | 一种基于自适应遗传算法优化的深度前馈网络故障诊断方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910512358.5A CN110222830B (zh) | 2019-06-13 | 2019-06-13 | 一种基于自适应遗传算法优化的深度前馈网络故障诊断方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN110222830A true CN110222830A (zh) | 2019-09-10 |
| CN110222830B CN110222830B (zh) | 2023-10-31 |
Family
ID=67817124
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201910512358.5A Active CN110222830B (zh) | 2019-06-13 | 2019-06-13 | 一种基于自适应遗传算法优化的深度前馈网络故障诊断方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN110222830B (zh) |
Cited By (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111191773A (zh) * | 2020-01-07 | 2020-05-22 | 泰康保险集团股份有限公司 | 更新信息预测网络的网络参数的方法、装置、介质及设备 |
| CN112444702A (zh) * | 2020-12-18 | 2021-03-05 | 南方电网数字电网研究院有限公司 | 变压器故障类型判断方法、装置、计算机设备和存储介质 |
| CN113219942A (zh) * | 2021-04-23 | 2021-08-06 | 浙江大学 | 基于加权联合分布适配神经网络的高炉故障诊断方法 |
| CN114662678A (zh) * | 2022-05-17 | 2022-06-24 | 华中科技大学 | 一种变激活函数卷积神经网络及其训练方法 |
Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| EP0972252A4 (en) * | 1997-04-01 | 2001-02-21 | Porta Systems Corp | SYSTEM AND METHOD FOR DIAGNOSING FAILURES OF TELECOMMUNICATIONS SYSTEMS |
| CN108090658A (zh) * | 2017-12-06 | 2018-05-29 | 河北工业大学 | 基于时域特征参数融合的电弧故障诊断方法 |
| CN108665095A (zh) * | 2018-04-27 | 2018-10-16 | 东华大学 | 基于遗传算法优化Elman神经网络的短期功率预测方法 |
-
2019
- 2019-06-13 CN CN201910512358.5A patent/CN110222830B/zh active Active
Patent Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| EP0972252A4 (en) * | 1997-04-01 | 2001-02-21 | Porta Systems Corp | SYSTEM AND METHOD FOR DIAGNOSING FAILURES OF TELECOMMUNICATIONS SYSTEMS |
| CN108090658A (zh) * | 2017-12-06 | 2018-05-29 | 河北工业大学 | 基于时域特征参数融合的电弧故障诊断方法 |
| CN108665095A (zh) * | 2018-04-27 | 2018-10-16 | 东华大学 | 基于遗传算法优化Elman神经网络的短期功率预测方法 |
Non-Patent Citations (2)
| Title |
|---|
| 皮骏;马圣;贺嘉诚;孔庆国;林家泉;刘光才;: "基于IGA-ELM网络的滚动轴承故障诊断" * |
| 谢春丽;夏虹;刘永阔;刘邈;张宝锋;: "BP神经网络改进算法在核电设备故障诊断中的应用" * |
Cited By (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111191773A (zh) * | 2020-01-07 | 2020-05-22 | 泰康保险集团股份有限公司 | 更新信息预测网络的网络参数的方法、装置、介质及设备 |
| CN112444702A (zh) * | 2020-12-18 | 2021-03-05 | 南方电网数字电网研究院有限公司 | 变压器故障类型判断方法、装置、计算机设备和存储介质 |
| CN113219942A (zh) * | 2021-04-23 | 2021-08-06 | 浙江大学 | 基于加权联合分布适配神经网络的高炉故障诊断方法 |
| CN113219942B (zh) * | 2021-04-23 | 2022-10-25 | 浙江大学 | 基于加权联合分布适配神经网络的高炉故障诊断方法 |
| CN114662678A (zh) * | 2022-05-17 | 2022-06-24 | 华中科技大学 | 一种变激活函数卷积神经网络及其训练方法 |
| CN114662678B (zh) * | 2022-05-17 | 2023-04-07 | 华中科技大学 | 一种基于变激活函数卷积神经网络的图像识别方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN110222830B (zh) | 2023-10-31 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110222830A (zh) | 一种基于自适应遗传算法优化的深度前馈网络故障诊断方法 | |
| US7043462B2 (en) | Approximate fitness functions | |
| CN104820977A (zh) | 一种基于自适应遗传算法的bp神经网络图像复原算法 | |
| CN108062572A (zh) | 一种基于DdAE深度学习模型的水电机组故障诊断方法与系统 | |
| CN109818775A (zh) | 基于自适应微分进化算法优化小波神经网络的短期网络流量预测方法 | |
| Kingston et al. | Computational intelligence methods for the efficient reliability analysis of complex flood defence structures | |
| Liu et al. | A fast differential evolution algorithm using k-Nearest Neighbour predictor | |
| CN107392919A (zh) | 基于自适应遗传算法的灰度阈值获取方法、图像分割方法 | |
| CN110444022A (zh) | 交通流数据分析模型的构建方法和装置 | |
| Singh et al. | Performance of a hybrid EA-DE-memetic algorithm on CEC 2011 real world optimization problems | |
| CN110046774A (zh) | 一种配电网故障定位方法、装置及相关设备 | |
| CN110222816B (zh) | 深度学习模型的建立方法、图像处理方法及装置 | |
| CN111988786A (zh) | 一种基于高维多目标分解算法的传感器网络覆盖方法及系统 | |
| CN111126560A (zh) | 一种基于云遗传算法优化bp神经网络的方法 | |
| Deng et al. | A multi-objective examples generation approach to fool the deep neural networks in the black-box scenario | |
| CN111507045A (zh) | 基于自适应权重鲸鱼优化算法的结构损伤识别方法 | |
| CN110889250A (zh) | 一种基于混合元启发式算法的钢桁架结构损伤识别方法 | |
| CN111412795B (zh) | 测试点设置方案生成方法及装置 | |
| CN115906959A (zh) | 基于de-bp算法的神经网络模型的参数训练方法 | |
| CN113642624A (zh) | 移动通信网络故障的智能诊断方法及装置 | |
| Paterson et al. | A hybrid approach to network robustness optimization using edge rewiring and edge addition | |
| Mohanty et al. | Liquefaction susceptibility of soil using multi objective feature selection | |
| KR102609569B1 (ko) | 이중편파레이더 자료를 이용한 기계 학습 기반의 강우량예측 장치 및 방법 | |
| CN117579500B (zh) | 一种网络流量预测方法、装置、设备及介质 | |
| CN113612660B (zh) | 一种基于种群自适应差分进化的lstm网络流量预测方法 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |