基于RBF神經網絡的控制系統傳感器故障診斷方法
加入技術交流群
2．2 確定基函數的寬度(誤差σ)本文引用地址：http://www.104case.com/article/163673.htm
式中：ai是以ci為中心的樣本子集。
基函數中心和寬度參數確定后，隱含層執行的是一種固定不變的非線性變換，第i個隱節點輸出定義為：
2．3 調節隱層單元到輸出單元間的連接權
網絡的目標函數為：
也就是總的誤差函數。式中：y(xk)是相對于輸入xk的實際輸出；y(xk)是相對于xk的期望輸出；N為訓練樣本集中的總樣本數。對于RBFNN，參數的確定應能是網絡在最小二乘意義下逼近所對應的映射關系，也就是使E達到最小。因此，這里利用梯度下降法修正網絡隱含層到輸出層的權值ω，使目標函數達到最小。
式中：η為學習率，取值為0～1之間的小數。根據上面式(6)，式(7)最終可以確定權值叫的每步調整量：
圖2中虛線框所示部分即為RBFNN觀測器原理。基本思想：通過正常情況下非線性系統的實際輸入和傳感器的輸出學習系統的特性，用已經訓練好的觀測器的輸出于實際系統的輸出做比較，將兩者之差做殘差，再對殘差進行分析、處理，得到故障信息，并利用殘差信號對傳感器故障原因進行診斷。
評論