基于最优神经网络结构的故障诊断模型

摘要

cqvip:深度神经网络在网络结构、激活函数及优化函数的选择方面,主要依靠操作者的经验来决定,导致了采用群智能算法(SI)对其优化时,只能在特定的网络结构下找到其最优权值和偏置量,限制了深度神经网络在故障诊断领域的进一步发展。提出了一种将自适应遗传算法与深度前馈网络相结合的故障诊断模型。通过MNIST、CIFAR10标准数据集以及CSTV仿真数据验证,故障诊断精度比原始模型显著提高,在CIFAR10数据集上精度提高了12.95%,在MNIST数据集上精度提高至99.03%;在CSTV仿真实验数据上,本文所提出的故障诊断模型在故障诊断精度、收敛速度以及稳定性上均优于原始模型,精度达到了99.994%,且不需要实验人员对神经网络参数进行调试,提高了训练神经网络的效率。