基于神經(jīng)網(wǎng)絡(luò)的抽油機故障診斷
加入技術(shù)交流群
2.2 初始權(quán)值的確定
神經(jīng)網(wǎng)絡(luò)的初始權(quán)值對訓(xùn)練的效果有很大影響,一般來說初始權(quán)值的選擇有三種方法[4]:
1) 將所有連接權(quán)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(quán)值的挑選余地,盡可能快地校正連接權(quán)向量與輸入模式之間的方向偏差。
2) 當(dāng)把連接權(quán)
賦予[0,1]區(qū)間內(nèi)隨機初值之后,在網(wǎng)絡(luò)學(xué)習(xí)的初級階段對提供給網(wǎng)絡(luò)的學(xué)習(xí)模式作一些修正。給原學(xué)習(xí)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(quán)向量
,所以可以加快網(wǎng)絡(luò)最初階段的學(xué)習(xí)速度。隨著學(xué)習(xí)的進行,逐漸濾掉
中的隨機值,使
復(fù)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(diào)整階段。3) 給每一個競爭層神經(jīng)元增設(shè)輸出閾值Q,以d+Q作為判斷兩向量距離的依據(jù)。在學(xué)習(xí)過程中,監(jiān)視每個神經(jīng)元被選中的次數(shù)。當(dāng)發(fā)現(xiàn)某個神經(jīng)元經(jīng)常被選中時,暫時提高該神經(jīng)元的閾值,進而增加其他神經(jīng)元被選中的機會,提高連接權(quán)向量的利用率,以此來促進學(xué)習(xí)的快速進行。
當(dāng)然也可以直接使用隨機的初始權(quán)值,但是如果初始權(quán)值與最終所需結(jié)果偏差較大就有可能需要更多的訓(xùn)練才能得到需要的結(jié)果,甚至無法收斂,這就需要確定大致的權(quán)值的方法。
對于SOM神經(jīng)網(wǎng)絡(luò)來說,對輸入數(shù)據(jù)進行簡單處理就可以初步獲得合適的權(quán)值,不僅可以使訓(xùn)練更順利的進行,還可以避免所建立神經(jīng)網(wǎng)絡(luò)出現(xiàn)震蕩。參考K-mean 法可以初步確定權(quán)值,具體過程如下:
1) 確定聚類數(shù)N,隨機取N個數(shù)據(jù)為初始聚類中心
2) 根據(jù)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(quán)值,使訓(xùn)練更有效并且可以避免網(wǎng)絡(luò)出現(xiàn)震蕩或者無發(fā)收斂的情況。
3 仿真實驗
實驗數(shù)據(jù)為示功圖圖像[5]的三個特征參數(shù)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(jīng)網(wǎng)絡(luò)的輸入層節(jié)點數(shù)也等于輸入矢量的維數(shù),在本例中就是3,競爭層即輸出層采取1*7的一維結(jié)構(gòu),訓(xùn)練次數(shù)為200次,改進的SOM在快學(xué)習(xí)階段訓(xùn)練次數(shù)為80次,臨域的初始半徑為
,學(xué)習(xí)率為
。3,調(diào)整階段訓(xùn)練次數(shù)為120次,臨域初始半徑為
,學(xué)習(xí)率為
。根據(jù)分析需要可以定義分類精度[6]
式中:參數(shù)
為數(shù)據(jù)總數(shù),
為正確分類數(shù),
為精度。
式中:參數(shù)
為數(shù)據(jù)總數(shù),
為正確分類數(shù),
為精度。
應(yīng)用matlab建立所需的自組織特征映射神經(jīng)網(wǎng)絡(luò)[7] [8],并帶入1400組數(shù)據(jù)(每種分類200組),對改進前和改進后的神經(jīng)網(wǎng)絡(luò)分別進行訓(xùn)練,分類結(jié)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(jīng)網(wǎng)絡(luò)學(xué)習(xí)速率以及收斂臨域的改進可以有效的提高神經(jīng)網(wǎng)絡(luò)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(jīng)網(wǎng)絡(luò)算法的研究與進展[J].計算機工程,2006,32(16):201-202,208.
[3] 王國學(xué).高斯函數(shù)的性質(zhì)及應(yīng)用例析[J].高中數(shù)學(xué)教與學(xué),2011,(7):9-11.
[4] 肖偉.初始化權(quán)值優(yōu)化技術(shù)在機器人學(xué)習(xí)中的應(yīng)用[J].電子學(xué)報,2005,33(9):1720-1722.
[5] 韓國慶,吳曉東,張慶生等.示功圖識別技術(shù)在有桿泵工況診斷中的應(yīng)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(zhì)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(tǒng)分析與設(shè)計[M].西安:西安電子科技大學(xué)出版社,2001.9.
[8] 涂曉芝,顏學(xué)峰,錢峰?；赟OM網(wǎng)絡(luò)的基因表達數(shù)據(jù)聚類分析[J].華東理工大學(xué)學(xué)報, 2006,32(8):992-996.
pid控制相關(guān)文章:pid控制原理
評論