一、理论基础

1.做优化要先明白优化的结果是什么？

使得网络参数配置最优，测试集预测误差最小——适应度函数

2.可以通过改变什么来使得网络结果不同？

一）可以改变网络参数的初始值，再用BP神经网络的反向传播来寻得整个网络参数的最优

二）可以直接遗传算法优化整个网络参数，不引进BP来获得最佳的网络参数设置

三）可以改变参数的初始值，用遗传算法在正向传播里优化出比较好的初始参数，再用反向传播优化参数

主要诊断3种故障，传感器卡死、传感器增益变化、传感器恒偏差

神经网络3层，输入神经元10个，隐层神经元6个，输出神经元3个，为了对比GA 改进BP神经网络检测方法的性能，使用Matlab建立两种方法的检测模型，一种改进后的，一种基本经典的神经网络

遗传算法稍有不同如下：

混合编码方案

二进制编码有操作简单，全局搜索能力强的优点，而实数编码的优点是精度高和效率快等。本文将二进制编码和实数编码进行了结合，发挥了各自的优点，实现了算法的优化。这种混合编码方式使得遗传效率加快、遗传搜索范围加大，同时提高了算法精度。

适应度函数选取

遗传算法搜索的目标是使BP神经网络误差平方和最小的权值，而遗传算法的进化方向是向着适应值增加的方向进行，因此，适应误差的倒数为适应度函数。适应值表示为：

混合选择算子

本文选择操作分为三步：（1）按适应度进行线性排序，然后随机抽取个个体，对这个个体进行交叉和变异操作；（2）保留父代的最佳个体；（3）将个子代进行交叉变异，然后子代按适应度淘汰父代最差个体。混合选择操作既可以防止算法的局部收敛，又可以保持算法的运算速度，降低了变异算子的破坏力，还能保持种群的多样性。

交叉算子

交叉算子能使优良性能遗传下去，因此本文使用的方法是在二进制编码时，使用二点交叉，即随机选择两个交叉点，然后把交叉点之间的染色体进行交换。

二、核心程序

clc;
clear;
close all;
warning off;
addpath 'func_GA\'rng(1);load data.mat
Num_In     = size(Train_data,1);
Num_Hidden = 6;
Num_Out    = 1;
%构建BP网络
net        = newff(Train_data,Train_aim,Num_Hidden);
net        = func_newGA(net,Num_In,Num_Hidden,Num_Out,Train_data,Train_aim);
net        = train(net,Train_data,Train_aim);
outputs    = round(sim(net,awgn(Test_data,0,'measured')));%测试的时候，加入随机干扰%计算整体识别率
disp('整体识别率：');
C0 = 100*length(find(outputs==Test_aim))/length(Test_aim)
disp('第1种故障识别率：');
C1 = 100*length(find(outputs(1:50)==1))/length(Test_aim)*3
disp('第2种故障识别率：');
C2 = 100*length(find(outputs(51:100)==2))/length(Test_aim)*3
disp('第3种故障识别率：');
C3 = 100*length(find(outputs(101:150)==3))/length(Test_aim)*3%测试不同噪声大小下的识别率
SNR = 2:1:16;
for i = 1:length(SNR)ifor j = 1:20rng(j);Test_data2 = awgn(Test_data,SNR(i),'measured');outputs    = round(sim(net,Test_data2));C20(i,j)     = 100*length(find(outputs==Test_aim))/length(Test_aim);C21(i,j)     = 100*length(find(outputs(1:50)==1))/length(Test_aim)*3;    C22(i,j)     = 100*length(find(outputs(51:100)==2))/length(Test_aim)*3;    C23(i,j)     = 100*length(find(outputs(101:150)==3))/length(Test_aim)*3; end
endfigure;
plot(SNR,mean(C20,2),'b','linewidth',2);
hold on
plot(SNR,mean(C21,2),'r','linewidth',2);
hold on
plot(SNR,mean(C22,2),'k','linewidth',2);
hold on
plot(SNR,mean(C23,2),'m','linewidth',2);
hold on
xlabel('SNR(dB)');
ylabel('识别率');
grid on
legend('综合识别率','第1种故障识别率','第2种故障识别率','第3种故障识别率');save r2.mat SNR C20 C21 C22 C23

function ERR = fun(Xx,Num_In,Num_Hidden,Num_Out,net,train_data,train_aim)%提取
L1 = 1;
L2 = Num_In*Num_Hidden;
w1 = Xx(L1:L2);L1 = Num_In*Num_Hidden+1;
L2 = Num_In*Num_Hidden+Num_Hidden;
B1 = Xx(L1:L2);L1 = Num_In*Num_Hidden+Num_Hidden+1;
L2 = Num_In*Num_Hidden+Num_Hidden+Num_Hidden*Num_Out;
w2 = Xx(L1:L2);L1 = Num_In*Num_Hidden+Num_Hidden+Num_Hidden*Num_Out+1;
L2 = Num_In*Num_Hidden+Num_Hidden+Num_Hidden*Num_Out+Num_Out;
B2 = Xx(L1:L2);net1= newff(train_data,train_aim,Num_Hidden);
%网络进化参数
net1.trainParam.showWindow = 0;
%网络权值赋值
net1.iw{1,1} = reshape(w1,Num_Hidden,Num_In);
net1.lw{2,1} = reshape(w2,Num_Out,Num_Hidden);
net1.b{1}    = reshape(B1,Num_Hidden,1);
net1.b{2}    = B2;
%网络训练
net1        = train(net1,train_data,train_aim);
outputs1    = sim(net1,train_data);
ERR1        = sum((outputs1-train_aim).^2);ERR         = ERR1;

三、仿真测试结果

A05-38

基于GA优化BP神经网络的传感器故障诊断算法matlab仿真相关推荐

基于GA优化RBF神经网络(GA-RBF)数据预测的matlab仿真
目录 1.算法概述 2.仿真效果 3.MATLAB仿真源码 1.算法概述遗传算法的基本运算过程如下: (1)初始化:设置进化代数计数器t=0,设置最大进化代数T,随机生成M个个体作为初始群体P(0 ...
m基于ESN+BP神经网络的数据预测算法matlab仿真,测试数据为太阳黑子变化数据
目录 1.算法描述 2.仿真效果预览 3.MATLAB核心程序 4.完整MATLAB 1.算法描述在人工神经网络的发展历史上,感知机(Multilayer Perceptron,MLP)网络曾对人工 ...
基于RBF和BP神经网络的信道估计算法的仿真与分析
使用神经网络进行信道估计构架整个仿真系统的结构如上所示. 这里,我们主要是通过对导频序列和已知的导频序列进行神经网络训练,得到一个神经网络,对输入的新号进行实时的预测和估计.最后得到所要的接受信号. ...
美赛整理之遗传算法优化BP神经网络的齿轮故障诊断问题
遗传算法优化BP神经网络的齿轮故障诊断问题一.问题的提出二.问题的分析三.结果显示一.问题的提出二.问题的分析这里给出了9组15维的向量,我们的目的就是要根据这9组数据来建立一个BP神 ...
BP神经网络优化 | MATLAB基于遗传算法优化BP神经网络（GA-BP）的预测模型（含完整代码）
文章目录前言一.遗传算法描述二.优化思路三.完整代码预测结果前言首先需要安装一下遗传算法工具箱,可参考这篇博客 MATLAB遗传算法工具箱安装包及安装方法(图解)_周杰伦今天喝奶茶了吗的 ...
MAT之GA：GA优化BP神经网络的初始权值、阈值，从而增强BP神经网络的鲁棒性
MAT之GA:GA优化BP神经网络的初始权值.阈值,从而增强BP神经网络的鲁棒性目录输出结果实现代码输出结果实现代码 global p global t global R global S1 ...
gwo算法matlab源代码,智能优化算法应用：基于GWO优化BP神经网络 - 附代码
智能优化算法应用:基于GWO优化BP神经网络 - 附代码智能优化算法应用:基于GWO优化BP神经网络 - 附代码智能优化算法应用:基于GWO优化BP神经网络文章目录智能优化算法应用:基于GWO优 ...
ACO蚁群算法优化BP神经网络（ACO-BPNN）回归预测MATLAB代码（有优化前后的对比）
ACO蚁群算法优化BP神经网络(ACO-BPNN)回归预测MATLAB代码(有优化前后的对比) 代码注释清楚. main为运行主程序,可以读取本地EXCEL数据. 很方便,容易上手. (以电厂运行数据 ...
PSO粒子群算法优化BP神经网络（PSO-BPNN）回归预测MATLAB代码
PSO粒子群算法优化BP神经网络(PSO-BPNN)回归预测MATLAB代码(有优化前后的对比) 代码注释清楚. main为运行主程序,可以读取本地EXCEL数据,也可以加载本地数据.mat,使用换自 ...

基于GA优化BP神经网络的传感器故障诊断算法matlab仿真

一、理论基础

二、核心程序

三、仿真测试结果

基于GA优化BP神经网络的传感器故障诊断算法matlab仿真相关推荐

最新文章

热门文章