基于神经网络的抽油机故障诊断
2.2 初始权值的确定
神经网络的初始权值对训练的效果有很大影响,一般来说初始权值的选择有三种方法[4]:
1) 将所有连接权向量赋予相同的初值,这样可以减少输入模式在最初阶段对权值的挑选余地,尽可能快地校正连接权向量与输入模式之间的方向偏差。
2) 当把连接权
赋予[0,1]区间内随机初值之后,在网络学习的初级阶段对提供给网络的学习模式作一些修正。给原学习模式
的每个元素加上一个很小的随机值,形成输入向量
。由于
比较容易找到与其方向大致一致的连接权向量
,所以可以加快网络最初阶段的学习速度。随着学习的进行,逐渐滤掉
中的随机值,使
复原为
,而这时
与
的方向已基本趋向一致,可以进入较精细的调整阶段。3) 给每一个竞争层神经元增设输出阈值Q,以d+Q作为判断两向量距离的依据。在学习过程中,监视每个神经元被选中的次数。当发现某个神经元经常被选中时,暂时提高该神经元的阈值,进而增加其他神经元被选中的机会,提高连接权向量的利用率,以此来促进学习的快速进行。
当然也可以直接使用随机的初始权值,但是如果初始权值与最终所需结果偏差较大就有可能需要更多的训练才能得到需要的结果,甚至无法收敛,这就需要确定大致的权值的方法。
对于SOM神经网络来说,对输入数据进行简单处理就可以初步获得合适的权值,不仅可以使训练更顺利的进行,还可以避免所建立神经网络出现震荡。参考K-mean 法可以初步确定权值,具体过程如下:
1) 确定聚类数N,随机取N个数据为初始聚类中心
2) 根据输入与聚类中心距离,将输入划分为N类
3) 计算每一类分类的平均值作为新的聚类中心
4) 计算
与
距离
,若
为所求聚类中心,其中
此方法可初步确定权值,使训练更有效并且可以避免网络出现震荡或者无发收敛的情况。
3 仿真实验
实验数据为示功图图像[5]的三个特征参数如图3, 既 
, 其中
为
段的弧度,
为
点与
点的垂直距离,普通的SOM[2]神经网络的输入层节点数也等于输入矢量的维数,在本例中就是3,竞争层即输出层采取1*7的一维结构,训练次数为200次,改进的SOM在快学习阶段训练次数为80次,临域的初始半径为
,学习率为
。3,调整阶段训练次数为120次,临域初始半径为
,学习率为
。根据分析需要可以定义分类精度[6]
式中:参数
为数据总数,
为正确分类数,
为精度。
式中:参数
为数据总数,
为正确分类数,
为精度。
应用matlab建立所需的自组织特征映射神经网络[7] [8],并带入1400组数据(每种分类200组),对改进前和改进后的神经网络分别进行训练,分类结果的精度如上表1。
由示功图7个分类的聚类精度的对比可以看出,改进后的SOM的分类精度比改进前有了很大提高,提高幅度为21。4%,说明了对SOM神经网络学习速率以及收敛临域的改进可以有效的提高神经网络的聚类精度。
参考文献:
[1] HAMMERB,MICHELIA,SPERDUTIA.Recursive self-organizing network models [J].Neural Network,2004,17(8/9):1061-1085.
[2] 杨占华,杨燕.SOFM神经网络算法的研究与进展[J].计算机工程,2006,32(16):201-202,208.
[3] 王国学.高斯函数的性质及应用例析[J].高中数学教与学,2011,(7):9-11.
[4] 肖伟.初始化权值优化技术在机器人学习中的应用[J].电子学报,2005,33(9):1720-1722.
[5] 韩国庆,吴晓东,张庆生等.示功图识别技术在有杆泵工况诊断中的应用[J].石油钻采工艺,2003,25(5):70274.
[6] 张惟皎,刘春煌,李芳玉.聚类质量的评价方法[J].计算机工程,2005,31(20):10-12.
[7] 楼顺天,胡昌华等.基于MATLAB的系统分析与设计[M].西安:西安电子科技大学出版社,2001.9.
[8] 涂晓芝,颜学峰,钱峰。基于SOM网络的基因表达数据聚类分析[J].华东理工大学学报, 2006,32(8):992-996.
pid控制相关文章:pid控制原理
评论