基于RBF神經網絡的控制系統傳感器故障診斷方法
加入技術交流群
2．2 確定基函數的寬度(誤差σ)本文引用地址：http://www.j9360.com/article/163673.htm
式中：ai是以ci為中心的樣本子集。
基函數中心和寬度參數確定后，隱含層執行的是一種固定不變的非線性變換，第i個隱節點輸出定義為：
2．3 調節隱層單元到輸出單元間的連接權
網絡的目標函數為：
也就是總的誤差函數。式中：y(xk)是相對于輸入xk的實際輸出；y(xk)是相對于xk的期望輸出；N為訓練樣本集中的總樣本數。對于RBFNN，參數的確定應能是網絡在最小二乘意義下逼近所對應的映射關系，也就是使E達到最小。因此，這里利用梯度下降法修正網絡隱含層到輸出層的權值ω，使目標函數達到最小。
式中：η為學習率，取值為0～1之間的小數。根據上面式(6)，式(7)最終可以確定權值叫的每步調整量：
圖2中虛線框所示部分即為RBFNN觀測器原理?；舅枷耄和ㄟ^正常情況下非線性系統的實際輸入和傳感器的輸出學習系統的特性，用已經訓練好的觀測器的輸出于實際系統的輸出做比較，將兩者之差做殘差，再對殘差進行分析、處理，得到故障信息，并利用殘差信號對傳感器故障原因進行診斷。
評論