关于系统级故障诊断的烟花-反向传播神经网络算法

发布时间：2020-12-17 04:04

　　为了更快速且精确地诊断出大规模多处理器系统中的故障单元,该文首次将改进的烟花算法和反向传播（BP）神经网络相结合,提出一种新的系统级故障诊断算法—烟花-反向传播神经网络故障诊断算法（FWA-BPFD）。首先,在烟花算法中引入双种群策略、协作算子以及最优算子,设计新的适应度函数,优化变异算子、映射规则和选择策略。然后,利用烟花算法全局搜索能力和局部搜索能力的自调节机制,优化BP神经网络中的权值和阈值的寻优过程。仿真实验结果表明,该文算法相较于其他算法不仅有效地降低了迭代次数和训练时间,而且还进一步提高了诊断精度。 

【文章来源】：电子与信息学报. 2020年05期 北大核心

【文章页数】：8 页

【部分图文】：

图13层BP神经网络结构图

(8)X′′i=(1a)·Xi+a·Xj(9)其中，a表示算数交叉因子。X′iX′′iXiXi对经过协作算子操作之后生成的新个体和进行评价，如果新个体优于，则将新个体中最优的那个个体替换掉。通过协作算子，两个种群之间可以进行很好的信息交换，实现了种群之间的协同进化。3.2.6最优算子为了进一步提高算法的寻优能力，本文在烟花算法中引入了最优算子，利用种群中最优烟花的信息进入当前烟花个体区域进行搜索以优化当前烟花个体信息。该种策略主要是综合了最优烟花个体的图2均匀交叉运算示意图1104电子与信息学报第42卷

缒Ｐ偷墓丶?问?饕?校阂???层数e，隐含层神经元个数s，激活函数f，网络节点的权值以及网络节点的阈值θ等。其具体参数设置如下：n≤100n>100(1)隐含层层数e：采用单层隐含层结构的网络即可解决简单问题，但对于映射关系比较复杂的问题需要采用两个或两个以上隐含层结构的网络来解决。先后有人证明了一个3层结构的神经网络就可以实现任意n维空间到m维空间的映射[16]，所以现设定：当系统规模的时候，神经网络隐含层个数设置为1，而当系统规模的时候，神经网络隐含层个数设置为2。图3烟花算法优化BP神经网络的流程图第5期归伟夏等：关于系统级故障诊断的烟花-反向传播神经网络算法1105

【参考文献】：
期刊论文
[1]基于头脑风暴优化算法的BP神经网络模糊图像复原[J]. 梁晓萍,郭振军,朱昌洪.  电子与信息学报. 2019(12)
[2]基于构造代价函数求解的自同步扰码盲识别方法[J]. 韩树楠,张旻,李歆昊.  电子与信息学报. 2018(08)
[3]一种基于PMC模型下的概率性矩阵诊断算法[J]. 冯海林,雷花,梁伦.  南京理工大学学报. 2017(04)
[4]一种Malek模型下的系统故障诊断算法[J]. 归伟夏,刘翠.  计算机工程与应用. 2017(13)
[5]基于互连网络系统故障的新型自适应诊断算法[J]. 云龙,梁家荣,周宁.  计算机应用研究. 2017(09)

硕士论文
[1]关于系统级故障诊断的两种高效算法[D]. 赵冬.南京财经大学 2016
[2]基于BP神经网络的系统级故障诊断算法研究[D]. 刘田田.南京财经大学 2015



本文编号：2921377