智能控制导论大作业3.doc

《智能控制导论大作业3.doc》由会员上传分享，免费在线阅读，更多相关内容在教育资源-天天文库。

1、智能控制导论姓名*****学号******学院自动化与电气工程学院专业控制科学与工程班级*****指导老师******粒子群算法的小波神经网络在变压器故障诊断中的应用与改进摘要：针对变压器故障征兆和故障类型的非线性特性，结合油中气体分析法，设计了一种改进粒子群算法的小波神经网络故障诊断模型。模型采用3层小波神经网络，并用一种改进粒子群算法对其进行训练。该算法在标准粒子群算法的基础上，通过引入遗传算法中的变异算子、惯性权重因子和高斯加权的全局极值，加快了小波神经网络训练速度，提高了其训练的精度。仿真实验证明这种改进粒子群算法的小波神经网络可以有效地运用到变

2、压器故障诊断中，为变压器故障诊断提供了一条新途径。引言：本文在变压器故障诊断智能方法的基础上，首先构造了3层小波神经网络模型，然后通过在标准粒子群算法中加入变异算子、惯性权重因子和高斯加权的全局极值，构成一种改进的粒子群优化算法，并将其运用于小波神经网络参数优化，通过变压器故障诊断结果表明这种改进的粒子群算法比相同条件下的BP算法和标准粒子群算法具有更好的收敛性。1小波神经网络构建小波神经网络是一种基于小波变换理论而构造的前馈神经网络，其充分利用了小波变换的局部化性质和神经网络的大规模数据并行处理、自学习能力，因而具有较强的逼近能力和较快的收敛速度，其主

3、要可分为松散型和紧密型两种类型。本文采用紧密型结构来构造小波神经网络，构造出来的3层小波神经网络如图1所示。设输入层节点个数为m，隐含层小波元个数为n，输出层节点个数为N，输入层的第k个输入样本为xk，输出层的第i个节点实际输出值为yi，输出层的第i个节点期望输出值为yˆi，输入层节点k与隐含层节点j之间的连接权值为kj，输出层节点i与隐含层节点j之间的连接权值为jiw，第j个隐层节点的伸缩平移系数分别为ja和jb，隐层小波神经元采用MexicanHat小波函数，输出层节点采用Sigmoid函数。通过前向计算得到隐含层第j个小波元的输入为：通过小波基伸缩

4、平移系作用，隐含层第j个小波元的输出为：则网络输出层第i个节点输出为：网络输出误差能量函数为：2改进粒子群算法优化小波神经网络传统小波神经网络多以BP算法进行网络训练，但BP算法存在收敛速度慢、易陷入局部极小值等缺点，难以满足网络高精度训练的要求。本文提出一种改进粒子群算法，即在标准粒子群算法的基础上加入遗传算法中的变异算子、惯性权重因子和高斯加权的全局极值，并将其运用于优化小波神经网络各个参数。标准粒子群算法的思想为：先初始化一群随机粒子，然后根据对个体和群体的飞行经验的综合分析来动态调整粒子群的速度，在解空间中进行搜索，通过迭代找到最优解。在每一次迭

5、代中，粒子通过跟踪两个“极值”来更新自己，一个是个体极值pbest，即粒子自身目前所找到的最优解；另一个是全局极值gbest，即整个种群目前找到的最优解。假设在一个D维的目标搜索空间中，有m个粒子组成一个群体。当第i个粒子被迭代到到目前为止最好的位置（即具有最佳适应度）时，此时该粒子被称为个体最好粒子，记为pbesti，而当全部粒子迭代到截止当前为止最好位置时被称为全局最好粒子，记为gbest。各粒子可根据以下公式来更新自己的速度和位置。对上述标准粒子群算法进行三个方面的修改，构成本文的改进粒子群算法，具体表现在：①为了避免粒子群算法搜索精度低、后期迭代

6、效率不高的现象，借鉴遗传算法中的变异思想，在粒子群算法中加入变异算子，即粒子每次更新之后都以一定的概率重新初始化粒子，变异操作拓宽了迭代中不断缩小的种群搜索空间，使粒子能够跳出先前搜索到的最优位置，保持了种群的多样性。其相应的伪代码如下所示：if随机数概率大于0.9则随机初始化种群else保持种群数值大小不变②标准粒子群算法中一般设置惯性权重因子(k)为1，由于惯性权重因子是影响当前粒子速度的变量，较大的值有利于全局搜索，较小的值有利于局部搜索，为了更好地平衡算法的搜索能力，提出了一种线性递减的惯性权重因子，如式（6）所示。③为解决迭代后期全局极值不易向

7、最优解方向收敛的问题，引入高斯加权的全局极值[15]。首先把所有粒子的适应度函数的平均值作为高斯加权的均值，其方差作为高斯加权的方差，即再将当前粒子群的最小适应度值fitness_min作为高斯加权的中心，即可得到高斯加权的全局因子为：最后将所有粒子的个体极值pbesti和上述高斯加权的全局因子进行加权平均，并将此值作为所有粒子的全局极值，即通过高斯函数加权，在算法迭代后期，越靠近最优解的个体极值其权重越大，它们的乘积有利于全局极值向最优解方向收敛。改进粒子群算法训练图1所示的三层小波神经网络步骤如下。步骤1：初始化粒子群。确定粒子的维数D（即网络中的各

8、个参数个粒子的位置、速度；设定学习因子、惯性权重的最大及最小值，最大迭代次数及目