[发明专利]一种基于改进径向基神经网络的船舶设备故障诊断方法

权利要求书

1.一种基于改进径向基神经网络的船舶设备故障诊断方法，其特征在于：通过改进人工蜂群算法对径向基神经网络的参数优化构造出神经网络分类器；对船舶设备采集训练样本数据，将训练样本数据导入构造的神经网络分类器进行分类训练，得到训练好的神经网络分类器；对船舶设备采集测试数据，将采集的测试数据导入训练好的神经网络分类器进行故障分类，判断是否出现故障；通过改进人工蜂群算法对径向基神经网络的参数优化构造出神经网络分类器的方法，包括以下步骤：

步骤1，确定改进人工蜂群算法的输入参数，所述输入参数包括蜜源数量SN，最大迭代次数T、当前迭代次数t＝0，连续迭代次数更新上限L以及蜜源X，其中将RBF神经网络参数作为蜜源X的结构参数；RBF神经网络参数包括RBF神经网络隐含层激励函数中心的数目C、中心值x_c和激励函数宽度r；

步骤2，利用反向学习方法对蜜源X＝{X₁,X₂,X₃,…,X_SN}的每一维进行初始化，其中，SN为蜜源数量；先随机生成解搜索空间；再对每个蜜源求其反向解；

步骤3，计算各个解X_i的适应度值并进行排序，适应度值最差的被选为侦查蜂，剩下的前一半为引领蜂，后一半为守望蜂，并记录最优值；

步骤4，引领蜂根据可当前解状态自动调整步长的自适应局部搜索方法在邻域内进行搜索，若搜索到的新解优于当前解，则用新解替换当前解v_ij，否则，保留当前解；

可当前解状态自动调整步长的自适应局部搜索方法:

其中，v’_ij为改进后引领蜂搜索得到的新蜜源的第j维分量，v_ij为引领蜂搜索到的当前蜜源的第j维分量，v_bestj为本轮迭代中最优蜜源的第j维分量，v_kj为从每轮迭代前m个较优的蜜源中随机选取的一个蜜源的第j维分量，m为一个[0,SN/2t]上的随机数；

步骤5，采用下式选出本轮迭代中最优的解作为全局最优解X_best，以供跟随蜂使用；

其中，X_best为全局最优解，t为当前迭代次数，T为最大迭代次数迭代次数上限，x_minj表示所有解第j维上的最小值，x_maxj表示所有解第j维上的最大值；

步骤6，根据向量X_i的第j维分量适应度值计算每个蜜源被选择的概率p_i，跟随蜂选择概率最大的蜜源并利用步骤4中可当前解状态自动调整步长的自适应局部搜索方法在每一维上进行搜索；

步骤7：若蜜源在达到连续迭代次数L后仍未被更新，则由侦察蜂使用步骤4中可当前解状态自动调整步长的自适应局部搜索方法随机搜索一个新的蜜源进行替换，并记录目前为止的最优解X_best；若已达到最大迭代次数T或已满足最小误差精度，则输出最优解X_best及相应的适应度值，否则转至步骤2。

2.根据权利要求1所述的基于改进径向基神经网络的船舶设备故障诊断方法，其特征在于：所述步骤2中的反向解的求解过程为：

ox_ij＝x_minj+x_maxj-x_ij

其中，ox_ij表示第i个解第j维上的反向解，x_minj表示初始解第j维上的最小值，x_maxj表示初始解第j维上的最大值，x_ij表示第i个初始解第j维上的数据。

3.根据权利要求2所述的基于改进径向基神经网络的船舶设备故障诊断方法，其特征在于：所述步骤6中被选择概率p_i的计算方法为：

其中，fit_i表示向量X_i的适应度值，fit_max与fit_min分别为所有蜜源中第j维分量适应度的最大值与最小值。