[發(fā)明專利]基于模糊熵和核極限學習機的電力機車空轉(zhuǎn)在線識別方法

有效

• 申請?zhí)枺?/td>: 202110651989.2
• 申請日: 2021-06-11
• 公開（公告）號: CN113392900B
• 公開（公告）日: 2022-03-25
• 發(fā)明（設計）人: 黃景春;蔣博雅;王濤;張清華;余泳江;李政毅
• 申請（專利權(quán)）人: 西南交通大學
• 主分類號: G06K9/62
• 分類號: G06K9/62;G06K9/00;G06F17/18;G06N3/04;G06N3/08;G06N7/02
• 代理公司: 成都天既明專利代理事務所(特殊普通合伙) 51259
• 代理人: 鄧世燕;杜雁春

1.一種基于模糊熵和核極限學習機的電力機車空轉(zhuǎn)在線識別方法，其特征在于：包括多尺度模糊熵特征提取模塊、最優(yōu)核極限學習機模型模塊和空轉(zhuǎn)在線識別模塊，其中：

所述多尺度模糊熵特征提取模塊實現(xiàn)對機車輪對速度v(t)在τ個尺度上計算模糊熵值進而特征提取得到能表征機車粘著/空轉(zhuǎn)狀態(tài)的τ維特征向量，并迭代計算每個時刻點的特征向量進而構(gòu)造成特征矩陣輸出；其中，所述多尺度模糊熵特征提取模塊對機車輪對速度信號進行特征提取的方法包括如下步驟：

步驟一、對于每個時刻點的機車輪對速度數(shù)據(jù)，采用滑動窗口法構(gòu)造長度為L的該時刻點的特征提取數(shù)據(jù)窗口；

步驟二、對每個時刻點的數(shù)據(jù)窗口計算多尺度模糊熵，得到τ個模糊熵值作為特征值：

1)對含有N個元素的時間序列{u(i),1≤i≤N}進行m維相空間重構(gòu)：

其中，代表從第i個點u(i)開始的連續(xù)m個u的值去掉均值u₀(i)；

2)按如下公式計算與間的距離

3)按如下公式計算向量和的相似度

其中，為模糊函數(shù)，n和r分別代表邊界的梯度和寬度；

4)按如下公式計算得到函數(shù)φ^m(n,r)：

5)對時間序列進行m+1維相空間重構(gòu)得重復步驟(1)～(4)，得到函數(shù)φ^m+1(n,r)：

6)按如下公式計算模糊熵值：

FE(m,n,r,N)＝lnφ^m(n,r)-lnφ^m+1(n,r)

7)對原始時間序列粗粒化：首先設定嵌入維數(shù)m、相似容限r(nóng)、模糊函數(shù)的梯度n，再對含有N個元素的時間序列{u(i),1≤i≤N}進行粗粒分割，建立新的粗粒向量y_j(τ)：

8)對得到的每一個粗粒向量分別計算模糊熵，得到τ個模糊熵值，并描述成τ的函數(shù)：

MSFE(u(i),τ,m,n,r)＝FE(y_j(τ),m,n,r)；

步驟三、構(gòu)造當前時刻信號的特征向量；

步驟四、迭代計算輸出所有時刻點特征向量組成的特征矩陣；

所述最優(yōu)核極限學習機模型模塊包括核極限學習機模塊和差分進化優(yōu)化算法模塊，通過核極限學習機模塊對特征矩陣自適應學習其中的空轉(zhuǎn)/粘著狀態(tài)特征來訓練得到能對特征向量進行分類的核極限學習機模型，同時與差分進化優(yōu)化算法模塊交互訓練來優(yōu)化核極限學習機模型的正則化系數(shù)C和核函數(shù)參數(shù)δ，進而最大化模型的泛化性能，最后通過優(yōu)化算法計算得到的最優(yōu)正則化系數(shù)和核函數(shù)參數(shù)結(jié)合核極限學習機模型來綜合構(gòu)造最優(yōu)核極限學習機分類模型；其中：

(一)最優(yōu)核極限學習機模型的構(gòu)建方法為：

(1)對特征矩陣采用K折交叉驗證方法劃分出訓練集、驗證集和測試集；數(shù)據(jù)集中第t時刻點的特征向量形式如下：

Vector_t＝[MSFE_t1,MSFE_t2,...,MSFE_ti,label_t]

式中，MSFE_ti表示數(shù)據(jù)集中第t時刻點樣本數(shù)據(jù)的第i(i＝1,2,...,τ)維特征值即第t時刻點樣本數(shù)據(jù)在第i(i＝1,2,...,τ)尺度下的模糊熵值；label_t表示數(shù)據(jù)集中第t時刻點樣本數(shù)據(jù)的標簽值；

(2)將訓練集用于訓練學習核極限學習機分類模型，訓練同時采用差分進化優(yōu)化算法結(jié)合訓練集和驗證集來進行核函數(shù)參數(shù)δ和正則化參數(shù)C的自適應優(yōu)化得到最優(yōu)化參數(shù)，進而構(gòu)建參數(shù)優(yōu)化核極限學習機空轉(zhuǎn)在線識別模型；

(3)通過測試集來測試構(gòu)建的參數(shù)優(yōu)化核極限學習機空轉(zhuǎn)在線識別模型，并由測試結(jié)果評估該模型的分類精度和性能是否滿足要求：如果是，則輸出該模型即為最優(yōu)核極限學習機分類模型，否則就轉(zhuǎn)至步驟(1)，重新劃分數(shù)據(jù)集并通過差分進化算法來優(yōu)化模型參數(shù)；

(二)核極限學習機模型算法為：

(1)給定N組訓練集D＝{(x_i,y_i),i＝1,2,...,N}，其中x_i∈Rⁿ是第i個輸入向量，y_i∈R^m是樣本的類別標記向量即期望輸出，并將具有K個隱層神經(jīng)元節(jié)點的極限學習機模型輸出函數(shù)表示為：

式中，w_i是連接第i個隱層神經(jīng)元和輸入層的權(quán)重向量；β_i是連接第i個隱層神經(jīng)元和輸出層的權(quán)重向量；g(x)是隱層的激活函數(shù)；b_i是第i個隱層神經(jīng)元的偏置；是第j個輸入樣本對應的輸出類別向量；

(2)由上述模型輸出函數(shù)及期望輸出向量y_i得到核極限學習機模型訓練的目標表達式：

其中，為輸出權(quán)重矩陣；為期望輸出向量；H是神經(jīng)網(wǎng)絡的隱層輸出矩陣，如下式所示：

(3)通過添加正則化系數(shù)C來計算得到式Hβ＝Y(jié)的最小二乘解：

其中，H⁺為H的Moore-Penrose廣義逆；當矩陣HH^T為非奇異時，則有H⁺＝H^T(HH^T)^-1；

(4)得到通過訓練集訓練的極限學習機分類模型表達式：

(5)令h(x_i)＝[g_i(w_i·x_i+b₁)…g_i(w_K·x_i+b_K)]，則由前述H的定義可得到同時基于Mercer條件定義核矩陣Ω_ELM為：

最后計算可得到通過訓練集訓練的核極限學習機分類模型：

其中，K(x_i,x_j)表示x_i與x_j在映射后的特征空間的內(nèi)積，等于它們在原始樣本空間中通過核函數(shù)K(·,·)計算的結(jié)果，其中，采用高斯徑向基核函數(shù)作為核極限學習機的核函數(shù)K(·,·)，其形式如下：

K(x,x_i)＝exp(-||x-x_i||²/(2δ²)),δ0

其中，δ為待優(yōu)化的核函數(shù)參數(shù)；

(三)差分進化優(yōu)化算法包括如下步驟：

第一步、初始化種群及相關參數(shù)：設置種群維數(shù)D＝τ，確定初始變異算子F₀和交叉算子CR，確定最大進化代數(shù)G_max，然后令G＝0，利用下式對每個個體分量隨機初始化進而得到初始化種群

式中：x_max表示種群個體向量的取值上限；x_min表示種群個體向量的取值下限；rand(0,1)表示生成0到1之間的隨機數(shù)；

第二步、計算適應度函數(shù)：通過適應度函數(shù)即核極限學習機模型的分類精度計算函數(shù)按如下公式分別計算第G代的每個個體的適應度值并由適應度值選擇出第G代的最優(yōu)個體

其中，為訓練集的分類精度，且T為訓練集在整體分類精度中的權(quán)重；為驗證集的分類精度；

第三步、變異操作：按下式對P_X,G進行變異計算得到第G代種群的變異種群V_i^G表示第G代變異種群中的第i個個體向量：

式中，r1,r2,r3∈[1,NP]且r1≠r2≠r3≠i；F為變異算子，并按如下公式計算變異算子F：

其中，G_max為最大進化代數(shù)，G為當前進化代數(shù)；F₀為給定的初始變異算子；

第四步、交叉操作：按下式對P_V,G進行交叉計算得到第G代種群的實驗種群表示第G代實驗種群中的第i個個體向量：

式中：CR為交叉算子，CR∈[0,1]；randi(1,D)表示生成1到D中的隨機整數(shù)；

第五步、選擇操作：按照貪婪準則，將實驗向量與當前種群中的原始目標向量進行比較，根據(jù)適應度值的大小擇優(yōu)生成第G+1代種群：

第六步、循環(huán)迭代優(yōu)化：G＝G+1，重復第二步至第五步，直到滿足算法的終止條件或GG_max；

所述空轉(zhuǎn)在線識別模塊利用最優(yōu)核極限學習機分類模型來在線對機車速度數(shù)據(jù)特征向量進行分類進而實現(xiàn)對電力機車的空轉(zhuǎn)在線識別。