基于改进小波神经网络和灰色模型的装备性能参数预测

发布时间：2021-06-30 20:14

　　装备性能参数预测是装备系统故障预测与健康管理的重要组成部分,对于提高装备保障效能有重大意义。本文提出了一种基于灰色模型和改进小波神经网络的组合预测模型。在灰色预测的基础上,训练小波神经网络进行灰色预测的残差修正,并通过对小波神经网络的改进提高了网络学习效率。对某型雷达中频接受单元的压控振荡器输出频率进行预测,实验证明,该组合模型结合了灰色预测和改进小波神经网络的优点,有较高预测精度和泛化能力。将该组合模型应用于装备状态参数预测具有可行性。 

【文章来源】：电子测量技术. 2016,39(03)

【文章页数】：5 页

【部分图文】：

图１小波神经网络结构

李梦妍等：基于改进小波神经网络和灰色模型的装备性能参数预测第３期相同统计特性的数据置信度高，用前一部分的数据对后一部分的数据进行预测有一定合理性。选取前３０个数据作为样本数据，后１５个数据作为待预测数据。实验比较不同建模序列长度下灰色预测均方根误差ＲＭＳＥ和平均误差ＭＥ的大小，如图２所示。图２灰色预测ＭＥ＼ＲＭＳＥ随建模序列长度变化结合ＭＥ和ＲＭＳＥ变化趋势可以看出，建模序列长度在１０～１４时，均方根误差在曲线谷底。建模序列长度超过１２后，平均误差ＭＥ增加趋势显著。选择建模长度１１，由图２可见是较为合适的。计算样本数据实际值与灰色预测估计值的残差序列，并进行归一化处理。利用改进小波神经网络处理归一后残差数据，首先确定结构设计。理论上至少一个隐含层和线性输出层的神经网络具有逼近任何函数的能力，而非线性逼近的精度可由增加隐含层网络层数或增加节点数来提高，增加隐含层节点数训练效果较为容易观察和调整。为减小网络复杂度，改进小波网络的结构选取为有一个隐含层的三层结构。用小波神经网络通过残差序列对短期波动进行预测，若输入维数太多将导致网络复杂度呈指数增长，收敛速度大大减慢，而输入维数过少则较难提取波动特征，这里根据数据特征，设定输入维数为８，使样本长度内约包含３个残差序列的波峰（波谷）。输出维数为１。即采用待预测波动项时间节点前８个时间点对应的残差序列作为输入，获得一个预测波动项。隐含层节点数的确定目前主要靠经验公式与试凑法，根据隐含层最佳节点数参考公式ｎ１＝槡ｎ＋ｍ＋ａ，ｎ为输入节点数８，ｍ为输出节点数１，ａ为［１

下边界分别为４和１３，逐个试凑，结合训练误差和样本收敛速度，最后取隐含层节点数为８。隐含层的小波函数选择Ｍｏｒｌｅｔ函数，其用于非线性时间序列预测效果较好。更新小波神经网络的权值选择较为通用的最速梯度下降法。学习速率综合考虑稳定性和训练时间，一般选取在０．０１至０．８。附加动量变速学习过程中设定学习速率最小值０．０１，最大值０．０２，学习次数为５００。学习速率固定为０．０１的小波神经网络和附加动量变速学习法改进的小波神经网络误差进化过程对比如图３和图４所示。图３小波神经网络训练误差进化过程图４改进小波神经网络训练误差进化过程相较之下，附加动量变速学习法改进的小波神经网络收敛速度快且更稳定。图５为灰色预测实际误差与改进小波神经网络预测的波动项对比。图５灰色预测实际误差与改进小波神经网络预测波动项·２１·

【参考文献】：
期刊论文
[1]小波分析概述及其应用研究[J]. 彭丹.  装备制造技术. 2014(06)
[2]健康管理技术综述及卫星应用设想[J]. 于功敬,熊毅,房红征.  电子测量与仪器学报. 2014(03)
[3]基于改进灰色神经网络的故障预测方法研究[J]. 杨森,孟晨,王成.  计算机应用研究. 2013(12)
[4]基于GM模型进行舰船纵摇参数预测[J]. 杨丽丽.  国外电子测量技术. 2013(03)
[5]基于遗传小波神经网络的光电稳定平台系统辨识[J]. 杨维新,唐伶俐,汪超亮,李子扬.  仪器仪表学报. 2013(03)
[6]基于离散型灰色DGM（1,1）预测模型在涝灾预测中的应用[J]. 吴秀明,迟道才,潘香岑,李雪,张兰芬,王堃.  沈阳农业大学学报. 2013(01)
[7]基于改进型小波神经网络的灭火系统故障诊断[J]. 谢永成,贺方君,李光升,魏宁.  电子测量技术. 2012(04)
[8]矿井瓦斯涌出量灰色动态预测可视化研究[J]. 曹爱虎,吴德义,陈凯,周世威.  矿业工程研究. 2011(01)
[9]故障预测与健康管理技术综述[J]. 彭宇,刘大同,彭喜元.  电子测量与仪器学报. 2010(01)
[10]BP神经网络训练中的实际问题研究[J]. 宋振宇,王秋彦,丁小峰.  海军航空工程学院学报. 2009(06)



本文编号：3258417