CN117949912A - 基于稀疏动量深度置信网络的雷达收发器故障诊断方法 - Google Patents
基于稀疏动量深度置信网络的雷达收发器故障诊断方法 Download PDFInfo
- Publication number
- CN117949912A CN117949912A CN202410358601.3A CN202410358601A CN117949912A CN 117949912 A CN117949912 A CN 117949912A CN 202410358601 A CN202410358601 A CN 202410358601A CN 117949912 A CN117949912 A CN 117949912A
- Authority
- CN
- China
- Prior art keywords
- momentum
- sparse
- radar transceiver
- depth confidence
- confidence network
- 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.)
- Pending
Links
- 238000003745 diagnosis Methods 0.000 title claims abstract description 56
- 238000000034 method Methods 0.000 title claims abstract description 49
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 29
- 238000012549 training Methods 0.000 claims abstract description 15
- 238000012544 monitoring process Methods 0.000 claims abstract description 11
- 230000006870 function Effects 0.000 claims description 20
- 230000008569 process Effects 0.000 claims description 9
- 230000004913 activation Effects 0.000 claims description 6
- 210000002569 neuron Anatomy 0.000 claims description 6
- 238000004364 calculation method Methods 0.000 claims description 3
- 230000008859 change Effects 0.000 claims description 3
- 239000013598 vector Substances 0.000 claims description 3
- 238000000605 extraction Methods 0.000 abstract description 4
- 239000002131 composite material Substances 0.000 abstract description 3
- 238000005457 optimization Methods 0.000 description 10
- 239000000306 component Substances 0.000 description 6
- 238000012360 testing method Methods 0.000 description 4
- 230000005540 biological transmission Effects 0.000 description 3
- 238000012423 maintenance Methods 0.000 description 3
- 238000003860 storage Methods 0.000 description 3
- 239000008358 core component Substances 0.000 description 2
- 230000007423 decrease Effects 0.000 description 2
- 230000007547 defect Effects 0.000 description 2
- 238000002405 diagnostic procedure Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000002474 experimental method Methods 0.000 description 2
- 230000002068 genetic effect Effects 0.000 description 2
- 238000005065 mining Methods 0.000 description 2
- 239000002245 particle Substances 0.000 description 2
- 238000000513 principal component analysis Methods 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 239000003795 chemical substances by application Substances 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 150000001875 compounds Chemical class 0.000 description 1
- 238000004590 computer program Methods 0.000 description 1
- 238000000354 decomposition reaction Methods 0.000 description 1
- 230000007123 defense Effects 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 238000012804 iterative process Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 230000008439 repair process Effects 0.000 description 1
Landscapes
- Radar Systems Or Details Thereof (AREA)
Abstract
本发明涉及雷达收发器故障诊断技术领域，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，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，包括采用传感器采集雷达收发器的运行状态数据；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；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训练；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。本发明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。
Description
技术领域
本发明涉及雷达收发器故障诊断技术领域，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。
背景技术
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。
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。
发明内容
针对现有技术的不足，本发明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。
为解决上述技术问题，本发明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：
S1、采用传感器采集雷达收发器的运行状态数据；
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；
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训练；
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。
进一步地，在步骤S2中，具体过程包括以下步骤：
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；
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；
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/>；
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；
S25、更新下一代种群为；
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。
进一步地，在步骤S22中，适应度函数的计算公式为：
；
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。
进一步地，在步骤S25中，更新公式如下所示：
；
；
；
；
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。
进一步地，在步骤S3中，具体过程包括以下步骤：
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；
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；
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。
进一步地，在步骤S32中，网络参数更新公式如下：
；
；
；
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。
进一步地，在步骤S4中，具体过程包括以下步骤：
S41、在需要故障诊断的雷达收发器上采集运行状态数据；
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；
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。
借由上述技术方案，本发明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：
本发明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。
附图说明
此处所说明的附图用来提供对本申请的进一步理解，构成本申请的一部分，本申请的示意性实施例及其说明用于解释本申请，并不构成对本申请的不当限定。在附图中：
图1为本发明雷达收发器故障诊断方法的流程图；
图2为本发明混合正余弦算法与其它优化算法的效果对比结果图；
图3为本发明雷达收发器故障类型的诊断结果图；
图4为本发明雷达收发器故障诊断准确率的结果图；
图5为本发明雷达收发器故障诊断损失的结果图。
具体实施方式
为使本发明的上述目的、特征和优点能够更加明显易懂，下面结合附图 和具体实施方式对本发明作进一步详细的说明。借此对本申请如何应用技术手段来解决技术问题并达成技术功效的实现过程能充分理解并据以实施。
实施例
雷达在军事、民用和科研领域有着广泛的应用，任何潜在的雷达故障都可能对通信、导航、安全、监控等关键领域产生严重影响。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。其次，在军事和航空领域，雷达系统经常用于目标跟踪、飞行导航和防御任务，一旦发送和接收组件发生故障，系统可能无法正常执行这些任务，从而增加了任务失败的风险。此外，如果不能及时发现和修复故障，则可能需要更频繁地维护和更换部件，这将增加维护成本，降低系统的可用性。因此，及时诊断和修复故障有助于节省维护成本，延长雷达系统的使用寿命。
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。Zhu等采用主成分分析(PCA)最小化数据维数，构建DBN来检测轴承故障。Zhong等将DBN与集成经验模态分解(EEMD)相结合来识别间歇性故障。Li等将DBN、二进制处理器和稀疏自编码器(SAE)集成在一起，形成无监督故障诊断分类器。Yu等基于置信度和分类原则，开发了用于诊断变速箱故障的知识驱动DBN。Jiao等探索了一种用于制造机器人故障诊断的DBN联合数据集成系统。
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。
基于上述现有技术所存在的技术缺陷，请参照图1-图5，示出了本实施例的一种具体实施方式，本实施例提出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，用以解决传统雷达收发器故障诊断方法所存在的抗振荡能力差、容易过拟合、故障特征提取能力不足、诊断精度低的技术问题，该方法包括以下步骤：
S1、采用传感器采集雷达收发器的运行状态数据，通过将传感器安装至雷达收发器上，确保传感器正确连接并可正常工作，然后即可采集雷达收发器的运行状态数据。
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。具体过程包括以下步骤：
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，/>表示第1代种群Q；
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；
在步骤S22中，适应度函数的计算公式为：
；
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。
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/>；
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；
S25、更新下一代种群为，更新公式如下所示：
；
；
；
；
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。
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。
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训练；具体过程包括以下步骤：
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；
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，网络参数更新公式如下：
；
；
；
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。
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。
S4、基于训练后的稀疏动量深度置信网络，输入在线的运行状态数据确定雷达收发器的故障类型，在需要故障诊断的雷达收发器上采集实时在线的运行状态数据，并将其输入至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，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，以实现对雷达收发器的故障诊断。
本实施例能够通过将动量因子引入模型参数更新以增强深度置信网络的抗振荡能力；通过将稀疏正则项引入深度置信网络以防止模型过拟合；通过将动态惯性权值引入正余弦优化算法，平衡了优化算法的局部寻优和全局寻优能力；通过将自适应策略引入正余弦优化算法，达成了正弦与余弦间的自主切换；通过使用包含动态惯性权值和自适应策略的混合正余弦优化算法，实现了稀疏动量深度置信网络超参数的自动配置。
本发明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。
具体地，为验证本发明提出的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的性能，将本方法在现实雷达收发器故障数据集上执行。数据集监测周期为6个月，由某研究所专家对故障类型进行标注，共标记出电源过压、电源欠压、传输通道故障、接收通道故障、收发通道故障共五种故障。上述前4类故障为单一故障，第5类为复合故障。数据集将5种故障类型和1种正常类型标记为样本标签1-6，每个标签有300个样本，其中随机抽取250个样本作为训练样本，其余50个样本作为测试样本，如表1所示。
表1 雷达收发故障数据集描述
| 故障类型 | 电源过压 | 电源欠压 | 传输通道故障 | 接收通道故障 | 收发通道故障 | 正常 |
| 标签 | 1 | 2 | 3 | 4 | 5 | 6 |
| 训练集 | 250 | 250 | 250 | 250 | 250 | 250 |
| 测试集 | 50 | 50 | 50 | 50 | 50 | 50 |
该数据集包含1800个标记样本，每个样本包含26个条件变量。如表2所示，这些条件变量涵盖了系统性能和状态的各个方面，如输出功率、接收信号、噪声信号、电源电压、电源电流等。这些条件变量的多样性和全面性保证了数据集的代表性，从而能够在各种条件下验证故障诊断模型的性能。
表2 26个条件变量及其类型
| 条件变量 | 名称 | 类型 |
| 1-8 | TxMODULE_OUTPOWER1-8 | 传输放大器1–8的输出功率 |
| 9-16 | DAM_CHANNEL_REC1-8 | 接收通道1–8的接收信号 |
| 17-24 | DAM_CHANNEL_NOISE1-8 | 接收通道1–8的噪声信号 |
| 25 | RT_PS_V | 收发器电源电压 |
| 26 | RT_PS_C | 收发器电源电流 |
图2为混合正余弦算法（HSCA）与遗传算法（GA）、粒子群优化算法（PSO）、正余弦算法（SCA）在迭代过程中的适应度对比。混合正余弦算法的最大迭代次数设置为30次，搜索代理数量设置为100个。隐藏节点数的搜索空间为[1,100]，动量因子、方差因子、学习率的搜索空间为[0,1]。适应度函数选为故障识别错误率。如图2所示，遗传算法在第59次迭代时，诊断错误率为2.19%；粒子群优化算法在第52次迭代时，诊断错误率为1.92%；正余弦算法在第42次迭代时收敛，诊断错误率为1.78%；混合正余弦算法在第28次迭代时收敛，诊断错误率为1.54%。上述结果表明，在收敛速度和搜索精度方面，本发明提出的混合正余弦算法优于其它优化算法。
图3、图4和图5显示了本发明模型对雷达收发器故障测试集的诊断结果。图3横轴表示300个测试样本，纵轴表示包含五种故障类型和一种正常类型的六个标签。从图3可以看出，本发明提出的故障诊断模型在特征提取和故障建模方面表现出色，能够将绝大部分样本正确分类。由图4可以看出本发明模型训练15次准确率首次到达95%，且收敛后准确率始终高于95%；由图5可知本发明模型训练30次损失首次到达0.1，且收敛后损失始终低于0.1。为了进一步说明本发明模型的故障诊断性能，选择PSOFOA-BP、GMKLSVM、LSTM-NN和MSF-CNN进行对比实验，实验基本参数均相同，实验结果如表3所示。
表3 不同诊断模型的平均诊断率
由表3可知，本发明模型的平均诊断准确率达到95.67%，高于其它故障诊断模型，说明本发明模型具有较好的故障诊断性能，因此本发明提出的雷达收发器故障诊断方法是可靠的。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分步骤是可以通过程序来指令相关的硬件来完成，因此，本申请可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本说明书中的各个实施例均采用递进的方式描述，每个实施例重点说明的都是与其他实施例的不同之处，各个实施例之间相同或相似的部分互相参见即可。对于以上各实施例而言，由于其与方法实施例基本相似，所以描述的比较简单，相关之处参见方法实施例的部分说明即可。
以上实施方式对本发明进行了详细介绍，本文中应用了具体个例对本发明的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本发明的方法及其核心思想；同时，对于本领域的一般技术人员，依据本发明的思想，在具体实施方式及应用范围上均会有改变之处，综上所述，本说明书内容不应理解为对本发明的限制。
Claims (7)
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：
S1、采用传感器采集雷达收发器的运行状态数据；
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；
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训练；
S4、基于训练后的稀疏动量深度置信网络，输入在线的运行状态数据确定雷达收发器的故障类型。
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：
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；
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；
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/>；
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；
S25、更新下一代种群为；
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。
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：
；
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。
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：
；
；
；
；
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。
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：
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；
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；
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。
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：
；
；
；
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。
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：
S41、在需要故障诊断的雷达收发器上采集运行状态数据；
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；
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。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202410358601.3A CN117949912A (zh) | 2024-03-27 | 2024-03-27 | 基于稀疏动量深度置信网络的雷达收发器故障诊断方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202410358601.3A CN117949912A (zh) | 2024-03-27 | 2024-03-27 | 基于稀疏动量深度置信网络的雷达收发器故障诊断方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN117949912A true CN117949912A (zh) | 2024-04-30 |
Family
ID=90798624
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202410358601.3A Pending CN117949912A (zh) | 2024-03-27 | 2024-03-27 | 基于稀疏动量深度置信网络的雷达收发器故障诊断方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117949912A (zh) |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116299193A (zh) * | 2023-03-15 | 2023-06-23 | 电子科技大学长三角研究院(衢州) | 一种mimo雷达智能doa估计方法 |
| WO2023125828A1 (en) * | 2021-12-31 | 2023-07-06 | Shanghai United Imaging Intelligence Co., Ltd. | Systems and methods for determining feature points |
| CN116935206A (zh) * | 2022-04-01 | 2023-10-24 | 西北农林科技大学 | 一种基于sca与3d-cnn融合网络的高维多源遥感影像分类方法 |
| CN117093809A (zh) * | 2023-08-21 | 2023-11-21 | 西安电子科技大学 | 基于多帧观测的系统误差与目标运动参数联合估计方法 |
| CN117554907A (zh) * | 2023-10-13 | 2024-02-13 | 中国电子科技集团公司第十四研究所 | 一种雷达系统多故障诊断方法 |
-
2024
- 2024-03-27 CN CN202410358601.3A patent/CN117949912A/zh active Pending
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2023125828A1 (en) * | 2021-12-31 | 2023-07-06 | Shanghai United Imaging Intelligence Co., Ltd. | Systems and methods for determining feature points |
| CN116935206A (zh) * | 2022-04-01 | 2023-10-24 | 西北农林科技大学 | 一种基于sca与3d-cnn融合网络的高维多源遥感影像分类方法 |
| CN116299193A (zh) * | 2023-03-15 | 2023-06-23 | 电子科技大学长三角研究院(衢州) | 一种mimo雷达智能doa估计方法 |
| CN117093809A (zh) * | 2023-08-21 | 2023-11-21 | 西安电子科技大学 | 基于多帧观测的系统误差与目标运动参数联合估计方法 |
| CN117554907A (zh) * | 2023-10-13 | 2024-02-13 | 中国电子科技集团公司第十四研究所 | 一种雷达系统多故障诊断方法 |
Non-Patent Citations (3)
| Title |
|---|
| JIANTAO SHI等: "An optimized sparse deep belief network with momentum factor for fault diagnosis of radar transceivers", 《MEASUREMENT SCIENCE AND TECHNOLOGY》, 24 January 2024 (2024-01-24), pages 2 - 11 * |
| 陈志刚;杜小磊;张楠;张俊玲;: "IEWT-CS和LCNN在轴承故障诊断中的应用", 哈尔滨工程大学学报, no. 03, 5 March 2020 (2020-03-05) * |
| 高佰宏;刘朝晖;刘华;: "基于SCSO-GRU模型的网络流量预测", 计算机与现代化, no. 04, 15 April 2020 (2020-04-15) * |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Wang et al. | Fault diagnosis for rotary machinery with selective ensemble neural networks | |
| Hassanien et al. | Machine learning in telemetry data mining of space mission: basics, challenging and future directions | |
| US7478071B2 (en) | Method and apparatus for determining and assessing information to be collected based on information-theoretic measures | |
| CN109255441A (zh) | 基于人工智能的航天器故障诊断方法 | |
| Akpudo et al. | Towards bearing failure prognostics: A practical comparison between data-driven methods for industrial applications | |
| CN115096590A (zh) | 一种基于iwoa-elm的滚动轴承故障诊断方法 | |
| CN115791174B (zh) | 一种滚动轴承异常诊断方法、系统、电子设备及存储介质 | |
| Zhao et al. | Class-aware adversarial multiwavelet convolutional neural network for cross-domain fault diagnosis | |
| Haider et al. | Out-of-distribution detection for reinforcement learning agents with probabilistic dynamics models | |
| Li et al. | Index similarity assisted particle filter for early failure time prediction with applications to turbofan engines and compressors | |
| Zhao et al. | A meta-learning network with anti-interference for few-shot fault diagnosis | |
| CN117949912A (zh) | 基于稀疏动量深度置信网络的雷达收发器故障诊断方法 | |
| Xue et al. | Diagnosis method based on hidden Markov model and Weibull mixture model for mechanical faults of in-wheel motors | |
| Xia | A systematic graph-based methodology for cognitive predictive maintenance of complex engineering equipment | |
| Yang et al. | Defect prediction by using cluster ensembles | |
| CN114817856B (zh) | 一种基于结构信息保持域适应网络的抽油机故障诊断方法 | |
| Chen et al. | Semi-supervised self-correcting graph neural network for intelligent fault diagnosis of rotating machinery | |
| Chen et al. | An Anomaly Detection Scheme with K-means aided Extended Isolation Forest in RSS-based Wireless Positioning System | |
| Wang et al. | An off-online fuzzy modelling method for fault prognosis with an application | |
| Escobar et al. | Process-monitoring-for-quality—a model selection criterion for shallow neural networks | |
| Liang et al. | A POMDP-based optimization method for sequential diagnostic strategy with unreliable tests | |
| Mangalampalli et al. | FACISME: Fuzzy associative classification using iterative scaling and maximum entropy | |
| CN113222034B (zh) | 基于知识蒸馏的细粒度多类别不平衡故障分类方法 | |
| CN114252261B (zh) | 一种综合传动装置转向系统故障诊断方法及系统 | |
| Jiang et al. | AI-based SoS performance classification for resilience reaction |
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 |