發(fā)布時(shí)間：2021-06-30 20:14

　　裝備性能參數(shù)預(yù)測(cè)是裝備系統(tǒng)故障預(yù)測(cè)與健康管理的重要組成部分,對(duì)于提高裝備保障效能有重大意義。本文提出了一種基于灰色模型和改進(jìn)小波神經(jīng)網(wǎng)絡(luò)的組合預(yù)測(cè)模型。在灰色預(yù)測(cè)的基礎(chǔ)上,訓(xùn)練小波神經(jīng)網(wǎng)絡(luò)進(jìn)行灰色預(yù)測(cè)的殘差修正,并通過(guò)對(duì)小波神經(jīng)網(wǎng)絡(luò)的改進(jìn)提高了網(wǎng)絡(luò)學(xué)習(xí)效率。對(duì)某型雷達(dá)中頻接受單元的壓控振蕩器輸出頻率進(jìn)行預(yù)測(cè),實(shí)驗(yàn)證明,該組合模型結(jié)合了灰色預(yù)測(cè)和改進(jìn)小波神經(jīng)網(wǎng)絡(luò)的優(yōu)點(diǎn),有較高預(yù)測(cè)精度和泛化能力。將該組合模型應(yīng)用于裝備狀態(tài)參數(shù)預(yù)測(cè)具有可行性。 

【文章來(lái)源】：電子測(cè)量技術(shù). 2016,39(03)

【文章頁(yè)數(shù)】：5 頁(yè)

【部分圖文】：

圖１小波神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)

李夢(mèng)妍等：基于改進(jìn)小波神經(jīng)網(wǎng)絡(luò)和灰色模型的裝備性能參數(shù)預(yù)測(cè)第３期相同統(tǒng)計(jì)特性的數(shù)據(jù)置信度高，用前一部分的數(shù)據(jù)對(duì)后一部分的數(shù)據(jù)進(jìn)行預(yù)測(cè)有一定合理性。選取前３０個(gè)數(shù)據(jù)作為樣本數(shù)據(jù)，后１５個(gè)數(shù)據(jù)作為待預(yù)測(cè)數(shù)據(jù)。實(shí)驗(yàn)比較不同建模序列長(zhǎng)度下灰色預(yù)測(cè)均方根誤差ＲＭＳＥ和平均誤差ＭＥ的大小，如圖２所示。圖２灰色預(yù)測(cè)ＭＥ＼ＲＭＳＥ隨建模序列長(zhǎng)度變化結(jié)合ＭＥ和ＲＭＳＥ變化趨勢(shì)可以看出，建模序列長(zhǎng)度在１０～１４時(shí)，均方根誤差在曲線谷底。建模序列長(zhǎng)度超過(guò)１２后，平均誤差ＭＥ增加趨勢(shì)顯著。選擇建模長(zhǎng)度１１，由圖２可見(jiàn)是較為合適的。計(jì)算樣本數(shù)據(jù)實(shí)際值與灰色預(yù)測(cè)估計(jì)值的殘差序列，并進(jìn)行歸一化處理。利用改進(jìn)小波神經(jīng)網(wǎng)絡(luò)處理歸一后殘差數(shù)據(jù)，首先確定結(jié)構(gòu)設(shè)計(jì)。理論上至少一個(gè)隱含層和線性輸出層的神經(jīng)網(wǎng)絡(luò)具有逼近任何函數(shù)的能力，而非線性逼近的精度可由增加隱含層網(wǎng)絡(luò)層數(shù)或增加節(jié)點(diǎn)數(shù)來(lái)提高，增加隱含層節(jié)點(diǎn)數(shù)訓(xùn)練效果較為容易觀察和調(diào)整。為減小網(wǎng)絡(luò)復(fù)雜度，改進(jìn)小波網(wǎng)絡(luò)的結(jié)構(gòu)選取為有一個(gè)隱含層的三層結(jié)構(gòu)。用小波神經(jīng)網(wǎng)絡(luò)通過(guò)殘差序列對(duì)短期波動(dòng)進(jìn)行預(yù)測(cè)，若輸入維數(shù)太多將導(dǎo)致網(wǎng)絡(luò)復(fù)雜度呈指數(shù)增長(zhǎng)，收斂速度大大減慢，而輸入維數(shù)過(guò)少則較難提取波動(dòng)特征，這里根據(jù)數(shù)據(jù)特征，設(shè)定輸入維數(shù)為８，使樣本長(zhǎng)度內(nèi)約包含３個(gè)殘差序列的波峰（波谷）。輸出維數(shù)為１。即采用待預(yù)測(cè)波動(dòng)項(xiàng)時(shí)間節(jié)點(diǎn)前８?jìng)�(gè)時(shí)間點(diǎn)對(duì)應(yīng)的殘差序列作為輸入，獲得一個(gè)預(yù)測(cè)波動(dòng)項(xiàng)。隱含層節(jié)點(diǎn)數(shù)的確定目前主要靠經(jīng)驗(yàn)公式與試湊法，根據(jù)隱含層最佳節(jié)點(diǎn)數(shù)參考公式ｎ１＝槡ｎ＋ｍ＋ａ，ｎ為輸入節(jié)點(diǎn)數(shù)８，ｍ為輸出節(jié)點(diǎn)數(shù)１，ａ為［１

下邊界分別為４和１３，逐個(gè)試湊，結(jié)合訓(xùn)練誤差和樣本收斂速度，最后取隱含層節(jié)點(diǎn)數(shù)為８。隱含層的小波函數(shù)選擇Ｍｏｒｌｅｔ函數(shù)，其用于非線性時(shí)間序列預(yù)測(cè)效果較好。更新小波神經(jīng)網(wǎng)絡(luò)的權(quán)值選擇較為通用的最速梯度下降法。學(xué)習(xí)速率綜合考慮穩(wěn)定性和訓(xùn)練時(shí)間，一般選取在０．０１至０．８。附加動(dòng)量變速學(xué)習(xí)過(guò)程中設(shè)定學(xué)習(xí)速率最小值０．０１，最大值０．０２，學(xué)習(xí)次數(shù)為５００。學(xué)習(xí)速率固定為０．０１的小波神經(jīng)網(wǎng)絡(luò)和附加動(dòng)量變速學(xué)習(xí)法改進(jìn)的小波神經(jīng)網(wǎng)絡(luò)誤差進(jìn)化過(guò)程對(duì)比如圖３和圖４所示。圖３小波神經(jīng)網(wǎng)絡(luò)訓(xùn)練誤差進(jìn)化過(guò)程圖４改進(jìn)小波神經(jīng)網(wǎng)絡(luò)訓(xùn)練誤差進(jìn)化過(guò)程相較之下，附加動(dòng)量變速學(xué)習(xí)法改進(jìn)的小波神經(jīng)網(wǎng)絡(luò)收斂速度快且更穩(wěn)定。圖５為灰色預(yù)測(cè)實(shí)際誤差與改進(jìn)小波神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)的波動(dòng)項(xiàng)對(duì)比。圖５灰色預(yù)測(cè)實(shí)際誤差與改進(jìn)小波神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)波動(dòng)項(xiàng)·２１·

【參考文獻(xiàn)】：
期刊論文
[1]小波分析概述及其應(yīng)用研究[J]. 彭丹.  裝備制造技術(shù). 2014(06)
[2]健康管理技術(shù)綜述及衛(wèi)星應(yīng)用設(shè)想[J]. 于功敬,熊毅,房紅征.  電子測(cè)量與儀器學(xué)報(bào). 2014(03)
[3]基于改進(jìn)灰色神經(jīng)網(wǎng)絡(luò)的故障預(yù)測(cè)方法研究[J]. 楊森,孟晨,王成.  計(jì)算機(jī)應(yīng)用研究. 2013(12)
[4]基于GM模型進(jìn)行艦船縱搖參數(shù)預(yù)測(cè)[J]. 楊麗麗.  國(guó)外電子測(cè)量技術(shù). 2013(03)
[5]基于遺傳小波神經(jīng)網(wǎng)絡(luò)的光電穩(wěn)定平臺(tái)系統(tǒng)辨識(shí)[J]. 楊維新,唐伶俐,汪超亮,李子揚(yáng).  儀器儀表學(xué)報(bào). 2013(03)
[6]基于離散型灰色DGM（1,1）預(yù)測(cè)模型在澇災(zāi)預(yù)測(cè)中的應(yīng)用[J]. 吳秀明,遲道才,潘香岑,李雪,張?zhí)m芬,王堃.  沈陽(yáng)農(nóng)業(yè)大學(xué)學(xué)報(bào). 2013(01)
[7]基于改進(jìn)型小波神經(jīng)網(wǎng)絡(luò)的滅火系統(tǒng)故障診斷[J]. 謝永成,賀方君,李光升,魏寧.  電子測(cè)量技術(shù). 2012(04)
[8]礦井瓦斯涌出量灰色動(dòng)態(tài)預(yù)測(cè)可視化研究[J]. 曹愛(ài)虎,吳德義,陳凱,周世威.  礦業(yè)工程研究. 2011(01)
[9]故障預(yù)測(cè)與健康管理技術(shù)綜述[J]. 彭宇,劉大同,彭喜元.  電子測(cè)量與儀器學(xué)報(bào). 2010(01)
[10]BP神經(jīng)網(wǎng)絡(luò)訓(xùn)練中的實(shí)際問(wèn)題研究[J]. 宋振宇,王秋彥,丁小峰.  海軍航空工程學(xué)院學(xué)報(bào). 2009(06)



本文編號(hào)：3258417