1 特征生成
- 方差s2=(S(Xi-X)(Xi-X))/(N-1)
- 最大谱峰值200~600kHz
- 一步自回归系数P=R1/R0,R1=SXIXI-1/N,R0=自相关系数
- 均方根值XRMS=(SXI2/N)½
2 径向基函数神经网络的设计
- 径向基函数神经网络的结构
- 径向基函数网络只有一个隐层,输出单元是线性求和单元,即输出是各隐单元输出的加权和。隐单元的作用函数用径向基函数(RBF),输入到隐单元的权值固定为1,只有隐单元到输出单元间的权值wj=(j=1,2,…,n)可调。最常用的径向基函数是高斯函数,它的可调参数有两个,即中心位置及方差(函数的宽度参数),用这类函数时整个网络的可调参数有三组,分别为:各基函数的中心位置、方差和输出单元的权值。
图1 径向基函数(RBF)网络结构 - 径向基函数网络只有一个隐层,输出单元是线性求和单元,即输出是各隐单元输出的加权和。隐单元的作用函数用径向基函数(RBF),输入到隐单元的权值固定为1,只有隐单元到输出单元间的权值wj=(j=1,2,…,n)可调。最常用的径向基函数是高斯函数,它的可调参数有两个,即中心位置及方差(函数的宽度参数),用这类函数时整个网络的可调参数有三组,分别为:各基函数的中心位置、方差和输出单元的权值。
- 径向基函数神经网络的设计
- 径向基函数的网络结构采用输入层4个结点,隐层10个结点,输出层1个结点的网络结构。利用采集数据(设共N个样本)的4个特征值(均方根值、方差、一步自相关系数和最大谱峰值200~600kHz)作为径向基函数的输入,输出层结点为铣刀的磨损值。用模糊聚类Fuzzy C-划分的方法将样本组分成M 组,用每组的聚类中心作为各个基函数中心,基函数采用高斯函数,再以公式s=d/2M算出各中心的方差。最后通过最小二乘法算出各个权值。
3 实验结果
|
|
训练方法 | 网络类型 | 训练时间(s) | 训练步数 |
---|---|---|---|
Fuzzy-C聚类算法 | RBF网络 | 1.20 | 7 |
改进BP算法 | BP网络 | 130.42 | 2016 |
4 结论
声明:本网站所收集的部分公开资料来源于互联网,转载的目的在于传递更多信息及用于网络分享,并不代表本站赞同其观点和对其真实性负责,也不构成任何其他建议。本站部分作品是由网友自主投稿和发布、编辑整理上传,对此类作品本站仅提供交流平台,不为其版权负责。如果您发现网站上所用视频、图片、文字如涉及作品版权问题,请第一时间告知,我们将根据您提供的证明材料确认版权并按国家标准支付稿酬或立即删除内容,以保证您的权益!联系电话:010-58612588 或 Email:editor@mmsonline.com.cn。
网友评论
匿名:
相关链接
最新反馈
- 暂无反馈
无须注册,轻松沟通