基于改进天牛须算法和蝙蝠算法融合的神经网络优化方法技术

本发明专利技术公开了基于改进天牛须算法和蝙蝠算法融合的神经网络优化方法，采用了改进的天牛须

【技术实现步骤摘要】
基于改进天牛须算法和蝙蝠算法融合的神经网络优化方法


[0001]本专利技术涉及人工智能、智能算法及轴承故障诊断
，具体为基于改进天牛须算法和蝙蝠算法融合的神经网络优化方法。

技术介绍

[0002]在过去的几十年中，启发式优化算法已经在科学界获得了广泛的关注与发展，尤其是解决许多复杂优化问题。在启发式算法之前，爬坡算法、随机搜索算法和模拟退火算法是解决优化问题的传统算法。传统的算法从一个点开始搜索，需要大量的梯度信息来达到全局最优。但由于它的局限性和约束的复杂性，这些算法在解决定位问题，经济优化问题和工程设计等实际应用问题中并不十分有效。启发式算法是模拟生物或物理现象来处理复杂的优化问题的一种智能算法。与经典算法不同的是，这些启发式算法大多没有派生。由于启发式算法的随机性，它在避免局部最优方面具有优越的性能。同时由于算法简单、灵活、鲁棒性好、效率高等特点，可将其应用于各个领域。迄今为止，最著名的受自然启发的元启发式算法是粒子群算法，人工蜂群算法，萤火虫算法，基于生物地理的优化算法，蝙蝠算法，蚁群算法，蝴蝶优化算法和最近的天牛须搜索优化算法。天牛须搜索算法机制主要模拟天牛觅食过程，算法中的天牛根据触须感知到的气味强度大小，确定自身飞行的方向并更新位置，飞向食物位置。该算法在应用中，天牛个数为一只，因此具有参数少、算法简单易实现、收敛速度快等优点。
[0003]近年来，遗传算法、粒子群算法、蚁群算法、蜂群算法等智能优化算法得到了广泛关注，并在预测、分类、图像处理等问题中取得了良好的成果。BP神经网络在收敛速度和效率上存在不足，训练时容易陷入局部最小值，导致预测误差较大。为了实现轴承故障的精准诊断，许多专家学者采用智能算法(包括：遗传算法GA、粒子群算法PSO、布谷鸟算法CS和天牛须算法BAS)优化BP神经网络来对轴承故障进行诊断，通过智能算法优化BP神经网络的初始权值和阈值，建立收敛速度更快，预测误差更小的轴承故障诊断模型。
[0004]智能算法，是将自然界中的生物规律、物理现象、生物进化、群体觅食等抽象问题处理成简单的能在计算机中实现的数学模型，使其能解决各种数据优化、分类、图像处理和预测等方面的复杂问题。几十年的发展进步，许多专家提出了各种各样的算法，根据人体大脑的神经提出的神经网络；根据物理学中电磁充放电现象提出的充电系统搜索算法；通过化学反应中的酸碱中和反应提出了化学反应优化算法；根据蝙蝠超声波回声定位提出的蝙蝠使算法；根据鸟类、昆虫觅食提出的粒子群算法和天牛须算法等；根据人类的行为也提出了大量算法。这些算法源于生活、生物进化、觅食和物理化学现象，不同的智能算法有其各自的特点，各种算法之间也能吸收其优点弥补自身缺点，使智能算法更加完善。在众多智能算法中，遗传算法是应用是最广泛的，其次是群体算法中的粒子群搜索算法和布谷鸟搜索算法，天牛须算法是最新的优化算法。现有技术方案中仍然存在容易陷入局部最优解，收敛时间长的问题。

技术实现思路

[0005]本专利技术提供基于改进天牛须算法和蝙蝠算法融合的神经网络优化方法，解决现有算法在轴承故障诊断中准确率低的问题，通过群智能优化算法对BP神经网络的初始权值和阈值进行优化，并运用于轴承故障诊断中。
[0006]为实现上述目的，本专利技术提供如下技术方案：基于改进天牛须算法和蝙蝠算法融合的神经网络优化方法，包括以下步骤：
[0007]步骤1：数据预处理，使数据格式符合模型要求，同时对数据进行归一化处理；
[0008]步骤2：确定网络模型的隐含层神经元数目；
[0009]步骤3：根据公式得到神经网络隐藏层的输出值；
[0010]步骤4：初始化需要优化的权重矩阵、天牛步长和须长；
[0011]步骤5：设置目标函数，天牛的初始位置；
[0012]步骤6：生成天牛的搜索方向；
[0013]步骤7：计算天牛两个触角的位置，假设在N维空间中，天牛第t次迭代的位置为矢量X
t
，其中t＝{1,2,3,
…
M}，M为迭代次数；
[0014][0015][0016]其中，和分别表示第i只天牛在第t次迭代时天牛须的左右须位置，l表示天牛质心与触须之间的距离，表示随机单位向量，其中归一化公式：
[0017][0018]其中rand()表示[
‑
1,1]间的随机函数，||
·
||2表示二范数，根据两须嗅到的目标气味的浓度的不同，来判断天牛下一步前进位置：
[0019][0020]其中，表示第i只天牛经过第t次迭代之后的位置，f(x)为适应度函数，sign(x)为符号函数，x
ri
表示第i只天牛右须位置，step
t
表示第t次迭代时天牛的移动步长，移动步长越大，全局搜索能力越强，局部搜索能力越弱，并将对步长因子改进为：
[0021]step
t+1
＝step
t
×
δ+0.001
[0022]δ＝exp(
‑
100
×
(t/T)5)
[0023]其中，t表示当前迭代次数，T表示迭代总次数；
[0024]步骤8：引入一种自适应速度权重因子w，根据公式更新蝙蝠的速度和位置：
[0025][0026]w＝μ
min
+(μ
max
‑
μ
min
)*rand(0,1)+σ*N(0,1)
[0027]f
i
＝f
min
+(f
max
‑
f
min
)*rand(0,1)
[0028][0029][0030]其中，表示第i只天牛经过第t+1次迭代之后的位置，w表示速度权重因子，μ
min
表示随机惯性权重的最小值，μ
max
表示随机惯性权重的最大值，σ表示标准差，通常取0.2～0.5之间的一个数，N(0,1)表示标准正态分布的随机数，f
i
表示当前脉冲频率，f
max
表示最大脉冲频率，f
min
表示最小脉冲频率，表示第i只天牛经过第t+1次迭代之后的速度，表示改进后第i只天牛经过第t+1次迭代后的位置；
[0031]步骤9：根据BA算法中的局部搜索步骤，对全局最优位置处的蝙蝠个体，进行局部最优搜索；
[0032]步骤10：判断是否达到最大迭代次数；如果是，则直接进入下一步骤；反之，则根据公式更新天牛搜索步长，然后返回到步骤6；
[0033]步骤11：输出全局最优位置，得到训练好后的模型。
[0034]优选的，所述步骤7中，所述步长因子原定义为：
[0035]step
t+1
＝step
t
×
δ
[0036]其中，δ代表步长因子，取值范围为0＜δ＜1，且初始步长因子越小，越容易陷入局部最优，难本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.基于改进天牛须算法和蝙蝠算法融合的神经网络优化方法，其特征在于，包括以下步骤：步骤1：数据预处理，使数据格式符合模型要求，同时对数据进行归一化处理；步骤2：确定网络模型的隐含层神经元数目；步骤3：根据公式得到神经网络隐藏层的输出值；步骤4：初始化需要优化的权重矩阵、天牛步长和须长；步骤5：设置目标函数，天牛的初始位置；步骤6：生成天牛的搜索方向；步骤7：计算天牛两个触角的位置，假设在N维空间中，天牛第t次迭代的位置为矢量X
t
，其中t＝{1,2,3,
…
M}，M为迭代次数；M}，M为迭代次数；其中，和分别表示第i只天牛在第t次迭代时天牛须的左右须位置，l表示天牛质心与触须之间的距离，表示随机单位向量，其中归一化公式：其中rand()表示[
‑
1,1]间的随机函数，||
·
||2表示二范数，根据两须嗅到的目标气味的浓度的不同，来判断天牛下一步前进位置：其中，表示第i只天牛经过第t次迭代之后的位置，f(x)为适应度函数，sign(x)为符号函数，x
ri
表示第i只天牛右须位置，step
t
表示第t次迭代时天牛的移动步长，移动步长越大，全局搜索能力越强，局部搜索能力越弱，并将对步长因子改进为：step
t+1
＝step
t
×
δ+0.001δ＝exp(
‑
100
×
(t/T)5)其中，t表示当前迭代次数，T表示迭代总次数；步骤8：引入一种自适应速度权重因子w，根据公式更新蝙蝠的速度和位置：w＝μ
min
+(μ
max
‑
μ
min
)*rand(0,1)+σ*N(0,1)f
i
＝f
min
+(f
max
‑
f
min
)*rand(0,1))*rand(0,1)其中，表示第i只天牛经过第t+1次迭代之后的位置，w表示速度权重因子，μ
min
表示随机惯性权重的最小值，μ
max
表示随机惯性权重的最大值，σ表示标准差，N(0,1...

【专利技术属性】
技术研发人员：巩永旺，晏生莲，
申请(专利权)人：盐城工学院，
类型：发明
国别省市：