[發(fā)明專利]一種含有奇異點的電子信號故障混合預測方法及驗證裝置

在審

• 申請?zhí)枺?/td>: 202011510756.2
• 申請日: 2020-12-18
• 公開（公告）號: CN112487725A
• 公開（公告）日: 2021-03-12
• 發(fā)明（設計）人: 閆理躍;王厚軍;王昊;劉震
• 申請（專利權）人: 電子科技大學
• 主分類號: G06F30/27
• 分類號: G06F30/27;G06F111/06
• 代理公司: 成都君合集專利代理事務所(普通合伙) 51228
• 代理人: 尹新路

1.一種含有奇異點的電子信號故障混合預測方法，其特征在于，首先利用三次非多項式樣條函數(shù)構造的約束條件和性質，求得性能退化數(shù)據(jù)點處的二階導數(shù)值并構成觀測序列；其次，利用最優(yōu)剪枝，針對ELM神經網絡模型的隱含層節(jié)點進行裁剪和優(yōu)化，改善隱含層的輸出參數(shù)利用觀測序列對其進行訓練，并在此基礎上，對其中隱藏層狀態(tài)加權預測，從而取得代表預測時刻狀態(tài)的樣條預測元；然后，再利用QPSO優(yōu)化的OS-ELM模型中初始階段的閾值和輸入權重；這樣，最優(yōu)剪枝和粒子群優(yōu)化方法分別在不同的階段用于改進和優(yōu)化OS-ELM中隱藏層的輸出。最后，得到樣條預測單元中最后兩個二階導數(shù)值并復原該點處的三次非多項式樣條曲線，以此可得到最終的預測值。

2.根據(jù)權利要求1所述的一種含有奇異點的電子信號故障混合預測方法，其特征在于，粒子群優(yōu)化方法包含以下步驟：第一步，初始化粒子群參數(shù)；第二步，建立極限學習機網絡結構；第三步，計算每個粒子適應度p(i)；第四步，初始化每個粒子的局部最優(yōu)解pbest(i)＝x(i),對應適應度pfit(i)＝p(i)；第五步，初始化整個粒子群的全局最優(yōu)解gbest(i)＝best(pbest(i)),對應適應度gfit＝best(pfit(i))；第六步，更新每個粒子的速度與位置信息；第七步，搜索局部最優(yōu)參數(shù)；第八步，計算每個粒子適應度p(i)；第九步，判斷p(i)是否小于pfit(i)，如果是，執(zhí)行第十步，如果否，執(zhí)行第十一步；第十步，更新每個粒子的局部最優(yōu)解pbest(i)＝x(i),對應適應度pfit(i)＝p(i)；第十一步，迭代次數(shù)增加；第十二步，判斷迭代次數(shù)是否大于上限，如果否，返回第六步，如果是，輸出的全局最優(yōu)解即為極限學習機的最優(yōu)參數(shù)，程序結束。

3.根據(jù)權利要求1-2任一項所述的一種含有奇異點的電子信號故障混合預測方法，其特征在于，將粒子定義為最佳解空間中的可能解，并采用均方根誤差(Root Mean SquareError,RMSE)作為PSO算法的適應度函數(shù)：

其中，n_test是測試樣條的數(shù)量，y_test是測試樣條的真實值，y_pred是該模型的預期輸出值。

4.根據(jù)權利要求1-3任一項所述的一種含有奇異點的電子信號故障混合預測方法，其特征在于，QPSO優(yōu)化ELM參數(shù)的訓練步驟如下：

1)計算第一個粒子x₁的適應度值Fitness(1)，使最佳適應度值Fitness(best)＝Fitness(1)，并以粒子x₁作為P_best,

2)將輸入權重w_i和隱藏層偏差b_i隨機初始化以構建ELM神經網絡結構，并隨機生成一組數(shù)據(jù)作為初始解空間，

3)采用優(yōu)化后的ELM模型訓練相應樣條，并計算和評估適應值，每個粒子可以通過比較單個最優(yōu)解和整體最優(yōu)解的適應值來調整自己的位置和速度，

4)確定是否達到迭代次數(shù)上限，如果是，則終止算法，并給出搜索結果，否則繼續(xù)迭代以獲得新的粒子群，

最后，基于最優(yōu)解建立優(yōu)化后的ELM模型。

5.根據(jù)權利要求1-4任一項所述的一種含有奇異點的電子信號故障混合預測方法，其特征在于，根據(jù)Lipschitz指數(shù)，將兩種不同類型的奇異點引入相應的初始數(shù)據(jù)中進行訓練和預測。

6.根據(jù)權利要求1-5任一項所述的一種含有奇異點的電子信號故障混合預測方法，其特征在于，利用粒子群優(yōu)化和最優(yōu)剪枝優(yōu)化進行極限學習訓練，考慮退化數(shù)據(jù)中的奇異點，通過樣本函數(shù)近似獲得OS-ELM的預測鏈，進而通過更新對樣本單元的預測值，完成時間序列預測。