[发明专利]一种基于深度量子神经网络的趋势预测方法

权利要求书

1.一种基于深度量子神经网络的趋势预测方法，其特征在于：该方法具体步骤如下：

步骤一：构建初始深度量子神经网络；

步骤二：定期采集轴承振动信号，利用小波包分解对振动信号进行特征挖掘；

步骤三：将数据分为训练集和验证集，利用训练集数据训练深度量子神经网络模型，通过验证集数据对该模型进行性能评估；

将收集的信号进行预处理，将处理好的特征参数分为训练数集和检验数集；

步骤四：调整深度量子神经网络模型参数，通过不断训练模型，选取性能评估最优的预测模型；

步骤五：利用预测模型进行轴承的趋势预测；

在步骤一中所述的“深度量子神经网络”，其内容是：量子深度网络基于量子神经网络的量子体系结构和深度信念网络的贪婪分层初始化方法；其体系结构能识别嵌入在数据中的结构，同时具有深度信念网络的抽象能力和量子神经网络的结构识别能力；在量子深度网络中，最后一个隐藏层被量子神经网络架构所取代；根据量子深度神经网络的体系结构，能将其定义为：

式中，C为输出层单元；N为隐藏层层数

深度量子神经元的输出由以下公式获得：

这里

是一个sigmoid函数；

第k隐藏层的输出h^k如下能得：

式中：D_k为第k层的单位数；D₀为输入层单位数；ω^k是突触权重；定义转移位置的传递函数；n₁是水平隐藏单位的数量；

在步骤二中所述的“小波包分解”，其内容是：在使用小波包分解进行相应分解时，对低频和高频进行分解，得到一个平衡的二叉树结构；

用低通滤波器和高通滤波器对信号进行滤波，因此，小波包分解能将信号的全频段分解为不同的频段，使信号具有更好的时频定位；对一个信号分解的定义是：

在步骤二中所述的“定期采集轴承振动信号，利用小波包分解对振动信号进行特征挖掘”，其作法如下：

对收集到的数据采用三层小波包分解对带有Daubechies5小波基的原始信号，根据频带系数重构8个时间序列；这些信号波形从低频到高频依次为x_l(t)、x₂(t)…x₈(t)，然后提取8种重构波形的能量；小波包能量特征向量是根据下式能得：

式中，E为节点信号频率分量能量；为子带的能量熵；i和j为小波系数的个数；N是信号长度；

在步骤三中所述的“预处理”，其包括特征提取、标准化；标准化是将特征数据的分布调整成标准正态分布，也就是使得数据的均值为0，方差为1；标准化过程为：去均值的中心化，均值变为0；方差的规模化，方差变为1；

在步骤三中所述的“将数据分为训练集和验证集，利用训练集数据训练深度量子神经网络模型，通过验证集数据对该模型进行性能评估；将收集的信号进行预处理，将处理好的特征参数分为训练数集和检验数集”，其作法如下：

为便于网络收敛，需对样本进行标准化处理，置[0,1]区间，具体处理方法如下：

式中，x_max和x_min为已知时间序列参数中的最大值和最小值；x_j为该时间序列中的样本数据；

在步骤四中所述的“调整深度量子神经网络模型参数”，其内容是：突触权重ω^k和转移位置是需要学习的参数；当网络的输出与期望输出不等时，存在误差函数，误差通过反向传播来调整突触权重实现对深度量子神经网络的训练，以达到最优输出；

在步骤四中所述的“调整深度量子神经网络模型参数，通过不断训练模型，选取性能评估最优的预测模型”，其作法如下：

结合训练数据，将步骤一中的初始深度量子神经网络进行训练；第N隐藏层的第s单位与第t输出单元连接的突触权重的能根据下式进行更新：

和是在第m个训练数据输入调整前和调整后的值；α是学习速率；是在第N个隐层单元第m个输入样本的输出值；

经过调整模型参数如突触权重结合验证数据确定误差最小的模型做为最优模型；

在步骤五中所述的“利用预测模型进行轴承的故障预测”，其内容是：将经过预处理的数据信号输入训练好的深度量子神经网络即能输出预测结果。