基于改进人工神经网络的航天器电信号分类方法

《基于改进人工神经网络的航天器电信号分类方法》由会员上传分享，免费在线阅读，更多相关内容在学术论文-天天文库。

1、2016年3月北京航空航天大学学报March2016第42卷第3期JournalofBeijingUniversityofAeronauticsandAstronauticsV01．42No．3http：／／bhxb．buaa．edu．anjbuaa@buaa．edu．anDOI：10．13700／j．bh．1001-5965．2015．0186基于改进人工神经网络的航天器电信号分类方法李可1一，王全鑫1，宋世民2，孙毅2，王浚1(1．北京航空航天大学航空科学与工程学院，北京100083；2．中国

2、空间技术研究院，北京100094)摘要：根据航天器系统级电性能测试工作中数据量大、任务繁重的特点，设计了基于人工神经网络的智能分类系统，对原始测试数据进行智能化分类，将非线性的调试经验以数据的形式储备，可在减少测试工作中对人为经验依赖的同时为航天器信号识别快速提供专家知识。考虑到经典的人工神经网络系统有训练时间长和对网络初始权值的依赖程度高等不足，利用主成分分析对数据进行压缩和自动编码技术对网络权值进行初始化。实验数据测试表明：与传统方法相比，本文提出的改进学习系统的分类准确率、稳定性和响应速度均

3、得到显著提高。关键词：故障诊断；人工神经网络；模式识别；自动编码；电信号；梯度下降法中图分类号：V557．1文献标识码：A文章编号：1001．5965(2016)03-0596-06航天器的结构越来越复杂，且内部的每个元器件的耦合高度非线性化，这为航天器测试中的分类识别带来了困难。中国对航天器故障信号的诊断在一定程度上还依赖于专家的经验和知识¨引。不同领域的专家往往就同一个故障给出不同的判断，这样很难满足航天器故障检测的实时性¨⋯。把不同专家的经验以知识库的形式储存，借助于模式识别算法，进而实现对

4、航天器故障判断的实时性和高效性。人工神经网络(ArtificialNeuralNetwork。ANN)具有大规模并行运算、自组织性和自学习等特点，理论上可以任意精度拟合非线性模型，在模式识别领域有着非常成功的应用Md0

5、。但与其他算法相比较，人工神经网络的分类准确率对初始权值的依赖程度高¨卜121；此外，原始数据一般含有冗长的无用信息且线性不可分¨}¨】，所以有必要通过数据压缩技术提取原始数据的主要特征。本文以误差反向传播(BackProrogation，BP)算法为理论基础，利用主成分分析(Pr

6、incipalComponentAnaly-sis，PCA)法对原始数据进行特征提取，并利用自动编码对权值进行初始化；设计了已知故障类型情况下的改进人工神经网络故障诊断学习系统。1系统流程及算法1．1系统流程航天器信号检测时，数据采集速率快，每秒高达30MB；种类繁多，如某航天器一共检测50路数据流。而其中某几路数据流才得到关注，却把其他数据存入Oracle数据库中以备后续研究。结合BP神经网络需要训练的特点，提出图1所示的学习系统流程。可知，流程主要包括获取数据、电信号模式识别以及网络训练3个部

7、分。整个过程可以实时进行网络训练，也可调用已经训练好的网络进行故障诊断，加入对网络参数合理性的判断环节，便可实现智能化的电信号模式识别。收稿日期：2015-03-31；录用日期：2015-07．30；网络出版时间：2015．10-3016：18网络出版地址：WWW，cnki。net／kems／detail／11。2625，V．20151030，1618．003．html基金项目：中央高校基本科研业务费专项资金(YwF-14-HKXY-017)；航空科学基金(2012XXl043)}通讯作者：Tel

8、．：13810609687E．mail：like@buaa．edu．cn引用格式：李可，王全鑫，宋世民，等．基于改进人工神经网络的航天器电信号分类方法fJj．北京航空航天大学学报，2016，42(3)：596-601．LIK，WANGQx，SONGSM，eta1．spaceeraftelectricalsignalclassificationmethodbasedonimprovedartificialnell—ralnetworkfJJ．Jo“rnalofBeljingUniversityofA

9、eronauticsandAstronautics，2016，42(3)：596．601(inChinese)．第3期李可，等：基于改进人工神经网络的航天器电信号分类方法597获取数据图1学习系统流程Fig．1Learningsystemflowchart网络训练电信号模式识别1．2算法1．2．1网络结构人工神经网络不需要建立复杂的数学模型，只要选取合理的参数且通过足够数据的训练就能以任一精度拟合复杂的非线性问题。航天器信号诊断所采集的时域上的信号是高度非线性的，而且同一单个事件的