[发明专利]基于参数优化深度置信模型的冗余捷联惯组故障检测方法

权利要求书

1.一种基于参数优化深度置信模型的冗余捷联惯组故障检测方法，其特征在于，包括以下步骤：

S1、采集冗余捷联惯组的输出数据，并基于该输出数据构建训练集与测试集；

S2、采用训练集训练深度置信模型，得到训练完成的深度置信模型；

S3、对训练完成的深度置信模型的结构参数进行优化，得到结构参数最优的深度置信模型；

S4、将测试集输入结构参数最优的深度置信模型中，进行冗余捷联惯组故障检测；

步骤S2中深度置信模型由多层限制玻尔兹曼机单元组成，深度置信模型具体包括顺次连接的第1层限制玻尔兹曼机单元、第2层限制玻尔兹曼机单元、第3层限制玻尔兹曼机单元、第4层限制玻尔兹曼机单元、直到第n层限制玻尔兹曼机单元；

步骤S2包括以下分步骤：

S21、逐层训练限制玻尔兹曼机单元，得到训练完成的所有限制玻尔兹曼机单元；

S22、对训练完成的第n层限制玻尔兹曼机单元输出的数据提取特征，得到输出结果；

S23、将输出结果与实际值进行对比，得到误差值；

S24、采用反向传播方法将误差值从训练完成的第1层限制玻尔兹曼机单元依次分配至训练完成的第n层限制玻尔兹曼机单元中进行参数微调，得到训练完成的深度置信模型；

步骤S21包括以下步骤：

S211、初始化迭代参数r，r=1；

S212、将训练集输入第1层限制玻尔兹曼机单元中，对第1层限制玻尔兹曼机单元进行训练，更新第r层限制玻尔兹曼机单元的权值和偏置，得到训练完成的第r层限制玻尔兹曼机单元；

S213、将r加1，判断r是否等于n+1，若是，则完成对所有限制玻尔兹曼机单元的训练，若否，则跳转至步骤S212；

步骤S3包括以下分步骤：

S31、初始化迭代参数k，k = 0，将训练完成的深度置信模型作为当前优化深度置信模型；

S32、计算当前优化深度置信模型的适应度；

S33、判断适应度是否满足设定阈值，若是，则将当前优化深度置信模型作为结构参数最优的深度置信模型，结束分步骤，若否，则k自加1，跳转至步骤S34；

S34、采用参数更新模型计算结构参数的位置和速度，并基于结构参数的位置和速度对当前优化深度置信模型的结构参数进行第k次迭代的优化，得到第k次优化的深度置信模型；

S35、将第k次优化的深度置信模型作为当前优化深度置信模型，并跳转至步骤S32；

步骤S32中计算当前优化深度置信模型的适应度的公式为：

其中，f为适应度，M为对当前优化深度置信模型的验证的总次数，m为第m次验证，b为正确分类的样本个数，c为错误分类的样本个数；

步骤S34中参数更新模型为：

其中，α为惯性权重，β₁为第一加速因子，β₂为第二加速因子，v_ij^k为第k次迭代的结构参数i的第j维变量的速度，v_ij^k+1为第k+1次迭代的结构参数i的第j维变量的速度，x_ij^k为第k次迭代的结构参数i的第j维变量的位置，x_ij^k+1为第k+1次迭代的结构参数i的第j维变量的位置，p_ij^k为第k次迭代的结构参数i的第j维变量的个体极值最优位置，r_j^k为第k次迭代的第j维变量的全局最优位置，a₁、a₂为0-1之间的随机数。