粒子群优化神经网络在船舶辅锅炉故障诊断中的应用

摘要

针对自组织特征映射(Self-Organizing Feature Map,SOM)神经网络训练过程依赖权值向量,网络初始化的随机性影响收敛速度和聚类精度的缺陷,提出一种粒子群(Particle Swarm Optimization,PSO)算法优化SOM神经网络原始权值的学习规则.将优化算法应用于船舶辅锅炉燃烧故障诊断的仿真研究中,对使用DMSVLCC模拟器运行的样本数据进行分析,并与单一SOM网络的分类结果进行比较.仿真结果表明,优化后的算法能够对船舶辅锅炉某工况下故障样本数据进行有效的准确聚类,准确度高于传统的SOM网络,具有良好的可训练性和模式识别能力.