优化概率神经网络模型与改进的曼塔射线食优化算法来识别压力波动信号特征
Xiyuan Liu1, Liying Wang1,2, Hongyan Yan1,2
1School of Water Conservancy and Hydropower, Hebei University of Engineering, Handan 056038, China.
Biomimetics (Basel, Switzerland)
|January 22, 2024
概括
一个改进的鱼鱼捕食优化 (ITMRFO) 算法增强了确定液压轮起草管压力波动的概率神经网络 (PNN) 准确性. 这种新的ITMRFO-PNN模型在信号识别方面提供了卓越的性能.
科学领域:
- 流体力学 流体力学 流体力学
- 信号处理 信号处理
- 机器学习 机器学习
背景情况:
- 精确识别液压轮龙头引气管中的压力波动信号对于运行效率和安全至关重要.
- 现有的方法可能受到精度和易受局部优化问题的限制.
研究的目的:
- 开发一种先进的方法,以提高液压轮龙头引气管中压力波动信号的识别精度.
- 使用增强的元启发算法优化概率神经网络 (PNN).
主要方法:
- 从振动信号中使用离散波纹转换 (DWT) 来提取特征.
- 通过模糊c-means (FCM) 集群自动信息分类.
- 开发一个改进的鱼捕食优化 (ITMRFO) 算法,以解决MRFO的本地优化问题.
- 使用ITMRFO算法优化PNN平滑因子,创建ITMRFO-PNN模型.
主要成果:
- 在23个测试函数上,ITMRFO算法在其他算法上表现出优越性.
- 在识别压力波动信号方面,ITMRFO-PNN模型明显优于标准PNN和MRFO-PNN模型.
- 评估指标包括准确性,精度,回忆和F1分数证实了ITMRFO-PNN模型的有效性.
结论:
- 拟议的ITMRFO-PNN模型提供了一个强大而有效的解决方案,用于识别液压轮机引气管中的压力波动信号.
- 这项研究为提高水力发电工程中的诊断能力提供了坚实的理论基础.
