基于神經網絡的抽油機故障診斷
加入技術交流群
2.2 初始權值的確定
神經網絡的初始權值對訓練的效果有很大影響,一般來說初始權值的選擇有三種方法[4]:
1) 將所有連接權向量賦予相同的初值,這樣可以減少輸入模式在最初階段對權值的挑選余地,盡可能快地校正連接權向量與輸入模式之間的方向偏差。
2) 當把連接權
賦予[0,1]區間內隨機初值之后,在網絡學習的初級階段對提供給網絡的學習模式作一些修正。給原學習模式
的每個元素加上一個很小的隨機值,形成輸入向量
。由于
比較容易找到與其方向大致一致的連接權向量
,所以可以加快網絡最初階段的學習速度。隨著學習的進行,逐漸濾掉
中的隨機值,使
復原為
,而這時
與
的方向已基本趨向一致,可以進入較精細的調整階段。3) 給每一個競爭層神經元增設輸出閾值Q,以d+Q作為判斷兩向量距離的依據。在學習過程中,監視每個神經元被選中的次數。當發現某個神經元經常被選中時,暫時提高該神經元的閾值,進而增加其他神經元被選中的機會,提高連接權向量的利用率,以此來促進學習的快速進行。
當然也可以直接使用隨機的初始權值,但是如果初始權值與最終所需結果偏差較大就有可能需要更多的訓練才能得到需要的結果,甚至無法收斂,這就需要確定大致的權值的方法。
對于SOM神經網絡來說,對輸入數據進行簡單處理就可以初步獲得合適的權值,不僅可以使訓練更順利的進行,還可以避免所建立神經網絡出現震蕩。參考K-mean 法可以初步確定權值,具體過程如下:
1) 確定聚類數N,隨機取N個數據為初始聚類中心
2) 根據輸入與聚類中心距離,將輸入劃分為N類
3) 計算每一類分類的平均值作為新的聚類中心
4) 計算
與
距離
,若
為所求聚類中心,其中
此方法可初步確定權值,使訓練更有效并且可以避免網絡出現震蕩或者無發收斂的情況。
3 仿真實驗
實驗數據為示功圖圖像[5]的三個特征參數如圖3, 既 
, 其中
為
段的弧度,
為
點與
點的垂直距離,普通的SOM[2]神經網絡的輸入層節點數也等于輸入矢量的維數,在本例中就是3,競爭層即輸出層采取1*7的一維結構,訓練次數為200次,改進的SOM在快學習階段訓練次數為80次,臨域的初始半徑為
,學習率為
。3,調整階段訓練次數為120次,臨域初始半徑為
,學習率為
。根據分析需要可以定義分類精度[6]
式中:參數
為數據總數,
為正確分類數,
為精度。
式中:參數
為數據總數,
為正確分類數,
為精度。
應用matlab建立所需的自組織特征映射神經網絡[7] [8],并帶入1400組數據(每種分類200組),對改進前和改進后的神經網絡分別進行訓練,分類結果的精度如上表1。
由示功圖7個分類的聚類精度的對比可以看出,改進后的SOM的分類精度比改進前有了很大提高,提高幅度為21。4%,說明了對SOM神經網絡學習速率以及收斂臨域的改進可以有效的提高神經網絡的聚類精度。
參考文獻:
[1] HAMMERB,MICHELIA,SPERDUTIA.Recursive self-organizing network models [J].Neural Network,2004,17(8/9):1061-1085.
[2] 楊占華,楊燕.SOFM神經網絡算法的研究與進展[J].計算機工程,2006,32(16):201-202,208.
[3] 王國學.高斯函數的性質及應用例析[J].高中數學教與學,2011,(7):9-11.
[4] 肖偉.初始化權值優化技術在機器人學習中的應用[J].電子學報,2005,33(9):1720-1722.
[5] 韓國慶,吳曉東,張慶生等.示功圖識別技術在有桿泵工況診斷中的應用[J].石油鉆采工藝,2003,25(5):70274.
[6] 張惟皎,劉春煌,李芳玉.聚類質量的評價方法[J].計算機工程,2005,31(20):10-12.
[7] 樓順天,胡昌華等.基于MATLAB的系統分析與設計[M].西安:西安電子科技大學出版社,2001.9.
[8] 涂曉芝,顏學峰,錢峰。基于SOM網絡的基因表達數據聚類分析[J].華東理工大學學報, 2006,32(8):992-996.
pid控制相關文章:pid控制原理
評論