[发明专利]一种深度信念网络的航电系统模式识别方法

权利要求书

1.一种深度信念网络的航电系统模式识别方法，即一种基于人工鱼群优化方法深度信念网络的航电系统模式识别方法，其特征在于：其具体步骤如下：

步骤一，DBNC模型的构建，设置模型参数初始化；

步骤二，选取典型的故障模式，从航电系统中获取用于DBNC模型训练的历史故障数据；

步骤三，采用的是对比散度方法即CD方法对DBNC模型进行预训练；即对层与层之间各节点的连接权值及各层节点的偏置值进行初始化；

步骤四，对DBNC模型的反向微调训练，即通过人工鱼群优化方法对DBNC模型中的连接权值和节点偏置情况进行优化；

步骤五，对DBNC模型训练结果评估，根据误差判断模型的学习情况，如果误差达到要求，则进行步骤六，若未达到准确度要求，则重返步骤二；

步骤六，利用训练好的DBNC模型对航电系统运行数据进行模式识别；

通过以上步骤，DBNC模型的误差不断降低，而且随着层数的深入，准确度明显上升，表明该模型的训练过程是合理有效的；该模型用于航电系统的模式识别，具有更高的诊断准确率，非常适合于作为航电系统模式识别的有效模型。

2.根据权利要求1所述的一种基于人工鱼群优化方法深度信念网络的航电系统模式识别方法，其特征在于：

在步骤一中所述的“DBNC模型的构建”，其具体做法如下：构建DBNC模型的底层由诸层RBM组成，顶层为Softmax分类函数组成的输出层；训练数据经过诸层RBM训练之后由分类层输出分类结果；所述的“设置模型参数初始化”的具体做法为：设置隐含层个数，输入层和输出层神经元节点数，隐含层的神经元节点数，各层之间的连接权重W，各神经元节点是偏置值初始值，初始学习速率ρ大小和学习动量m。

3.根据权利要求1所述的一种基于人工鱼群优化方法深度信念网络的航电系统模式识别方法，其特征在于：

在步骤二中所述的“选取典型的故障模式”，其具体做法如下：从中选取十种典型的故障模式，分别是：GDC 74故障、GDC74构型模块故障、GDC 74的线路及电源故障、GDC 74动静压接口和管路堵塞、大气温度探头故障、大气温度探头线路和接头损坏、GPS信号故障、GRS77故障、GRS77构型模块故障、GMU44故障；

在步骤二中所述的“从航电系统中获取运行用于DBNC模型训练的历史故障数据”的具体做法有：收集航电系统在运行过程中的数据，这些数据反映了航电系统的运行时间、气压、地面高度、机舱温度、排气温度、通讯/导航的频率、燃油量、滑油温度、飞机飞行的横滚角、俯仰角和航向角。

4.根据权利要求1所述的一种基于人工鱼群优化方法深度信念网络的航电系统模式识别方法，其特征在于：

在步骤三中所述的“采用的是对比散度方法即CD方法对DBNC模型进行预训练”的具体做法为：

第一步，初始化网络参数θ及可视层单元的初始状态值ν₀＝x₀，设定RBM最大训练迭代次数为400；

第二步，对所有隐藏层单元计算从条件分布p(h_0j|ν₀)中抽取h_0j∈{0,1}；

式中：为激活函数；h_0j为隐藏层神经元向量；W_ij为连接可视层神经元与隐藏层神经元的权重矩阵；b_j为隐含层偏置向量；ν为可视层神经元向量；

第三步，对所有可见单元，计算从p(ν_1i|h₀)中抽取ν_1i∈{0,1}；

式中：其中a_j为可视层偏置向量；

第四步，对所有隐藏层单元计算

式中：h_0j为隐藏层神经元向量；W_ij为连接可视层神经元与隐藏层神经元的权重矩阵；b_j为隐含层偏置向量；ν为可视层神经元向量；

第五步，按下列各式更新各个参数：

式中：a为可视层偏置向量；b为隐含层偏置向量；W为连接可视层神经元与隐藏层神经元的权重矩阵；h为隐藏层神经元向量；ν为可视层神经元向量；

第六步：重复第二步到第五步，直到达到最大迭代次数及重构误差足够小，结束该层RBM的训练。