一种改进粒子群算法及其应用
专利汇可以提供一种改进粒子群算法及其应用专利检索，专利查询，专利分析的服务。并且本 发明 涉及一种改进粒子群 算法 及其应用，改进粒子群算法步骤如下：(1)初始化算法；(2)随机初始化粒子的 位置 x和速度v；(3)初始化 迭代 次数t＝1；(4)计算当前种群中每个粒子的适应值如果那么如果那么(5)如果适应值小于设定的最小误差ε或者达到最大迭代次数Maxiter，算法终止，否则，转向步骤（6）；步骤(6)计算并更新粒子的速度和位置。(7)令迭代次数t＝t+1，转向(4)。本发明改进的粒子群算法，使得在迭代初期，种群具有较大的自我学习能 力 和较小的社会学习能力，保持了种群的多样性，而在迭代后期，具有较小的自我学习能力和较大的社会学习能力，加快了种群的收敛速度。，下面是一种改进粒子群算法及其应用专利的具体信息内容。
1.一种改进粒子群算法，其步骤如下：
(1)初始化算法，包括设定种群大小N、粒子维数D、最大迭代次数Maxiter、误差精度ε，同时限定粒子的最大速度Vmax和位置Xmax；
(2)随机初始化粒子的位置x和速度v；
(3)初始化迭代次数t＝1；
(4)计算当前种群中每个粒子的适应值 如果 那么 如果
那么 其中， 表示第i个粒子的适应值， 表示第i个粒子
的最优适应值， 表示第t此迭代时粒子的最优适应值， 表示第t此迭代时第i个粒子的第k维位置分量， 表示第t次迭代时最优粒子的第k维位置分量；
(5)如果适应值小于设定的最小误差ε或者达到最大迭代次数Maxiter，算法终止，否则，转向步骤（6）；
(6)按公式（1）和（2）计算并更新粒子的速度和位置；若v(i,d)＞Vmax,则v(i,d)＝Vmax;若v(i,d)＜-Vmax，则v(i,d)＝-Vmax;若x(i,d)＞Xmax,则x(i,d)＝Xmax;若x(i,d)＜-Xmax,则x(i,d)＝-Xmax；其中，v(i,d)表示第i个粒子在第d维上的速度分量；x(i,d)表示第i个粒子的第d维上的位置分量；Vmax表示最大速度和Xmax表示最大位置；
Vi(t+1)＝wVi(t)+c1r1[Pi-Xi(t)]+c2r2[Pg-Xi(t)] (1)
Xi(t+1)＝Xi(t)+Vi(t) (2)
其中，c1和c2为正的学习因子，分别表示粒子的自我学习能力和社会学习能力，也被称为加速系数，其大小分别定义了个体最优Pi和全局最优Pg方向上粒子速率大小的影响；r1和r2为0到1之间均匀分布的随机数；Pi＝(Pi,1,Pi,2,…,Pi,d)表示粒子自身所搜索到的最优解，Pg＝(pg,1,Pg,2,…,Pg,d)表示整个种群目前找到的最优解，t表示当前的迭代次数；w代表惯性权重，惯性权重w按公式(3)进行调整：
其中di表示的是第i个粒子到最优粒子之间的欧式距离，di的表达式如式(4)所示：
D表示每个粒子的维数。Xi,j表示第i个粒子的第j维上的位置分量，Pg,j表示第t次迭代时最优粒子的第j维位置分量；
wset是一个常数；dmax、dmin分别表示所有粒子与最优粒子的最大距离；
当 时，说明此时粒子不是当前的最优粒子，其值越小，距离越近，说明越靠近当前最优粒子；其值越大，距离越远说明距当前最优粒子越远； 是一个随着迭代次数的增加线性递减的函数，t表示当前的迭代次数，tmax表示算法的最大迭代次数；
用当前迭代中每个粒子距最优粒子的距离的平均值，即平均距离对两个学习因子进行调节，调节公式为：
其中，C是设定的一个常数， 表示所有粒子到最优粒子间的平均距离，其表达式为：
其中N表示粒子种群的个数；
dmax的表达式如式（7）所示：
dj,max为粒子第j维上的位置分量的限幅值，随着迭代次数的增加，粒子都会向最优粒子靠近，最后趋向于一点，因此 (t)与dmax的比值是逐渐较小的；学习因子c1逐渐减小，而c2则逐渐增大；
按上述步骤调节两个学习因子后，粒子最终是趋于最优解：粒子群优化方法中所有粒子位置xi最终都会收敛于(c1Pi+c2Pg)/(c1+c2)，即粒子的最终位置将位于局部最优解与全局最优解的连线上；前述的c1是从设定的常数C逐渐减小到0，c2是从0逐渐增加到设定的常数C，即c1→0，c2→C，此时，粒子的位置xi最终收敛于(c1Pi+c2Pg)/(c1+c2)，即整个种群目前找到的最优解Pg，如公式（8）所示：
(7)令迭代次数t＝t+1，转向(4)。
2.一种基于权利要求1所述改进粒子群方法，优化BP神经网络，建立改进粒子群的BP神经网络（IPSO-BP）模型过程如下：
依据权利要求1所述，计算得到最优粒子P，最后将最优粒子的位置向量映射Pg为BP网络的权值，由此构成IPSO-BP网络模型。
3.一种将权利要求2所述的粒子群的BP神经网络（IPSO-BP）模型，用于滚动轴承故障诊断的方法，其步骤如下：
（1）信号采样：对运行状态的滚动轴承振动信号进行监听，并转换成计算机可处理的数字信号；
（2）信号处理：对采样数据执行去噪预处理，得到干净信号；
（3）特征参数的选择：根据处理后的信号，计算6个时域统计特征参数，生成诊断特征：
正常特征、内圈特征、外圈特征、滚动体特征；分别提取每种状态下的20组特征，总共80组数据；其中，用每种状态下的12组共48组数据作为训练样本，用每种状态下的8组共32组数据作为测试样本；
所述的6个时域特征参数为使用统计学原理根据采集的振动信号选取的六个时域特征描述如公式(9)-(14)所示：
a范围：指的是振动信号的最大值和最小值之差。
Max(xi)-Min(xi) （9）
b均值：振动信号的平均值。
c标准偏差：
d倾斜度：
e峰值：
f波峰因数：
（4）根据实验数据设定参数：实验中，设定N＝40，D＝50，Maxiter=150，ε＝0.001，Vmax＝0.5，Xmax＝10，C＝4；依据权利要求1计算得到粒子群中最优粒子的位置向量，将其作为BP神经网络的权值，构成权利要求2所述的IPSO-BP网络模型。采用6个统计特征参数作为BP神经网络的输入，轴承诊断类型为4种，分别为正常，内圈，外圈和滚动体，当输入神经元个数为6，输出神经元个数为4时，隐含层神经元个数为5时，网络能达到最优性能，采用6-5-4的三层IPSO-BP网络结构进行滚动轴承的故障诊断。
一种改进粒子群算法及其应用
技术领域
背景技术
发明内容
粒子的最优适应值， 表示第t此迭代时粒子的最优适应值， 表示第t此迭代时第i个粒子的第k维位置分量， 表示第t次迭代时最优粒子的第k维位置分量；
32组数据作为测试样本；
附图说明
具体实施方式
| 标题 | 发布/更新时间 | 阅读量 |
|---|---|---|
| 噪声整形波峰因数降低（CFR）方法和装置 | 2020-05-15 | 952 |
| 带间载波聚合信号的波峰因数降低 | 2020-05-12 | 677 |
| 具有相位优化的波峰因数降低 | 2020-05-12 | 873 |
| 双重功率因数校正的低波峰比电子镇流器 | 2020-05-16 | 937 |
| 一种升-降压式直流变换电路 | 2020-05-21 | 19 |
| 用于峰值因数抑制的系统和方法 | 2020-05-20 | 41 |
| 具有改良切开的电外科设备 | 2020-05-22 | 233 |
| 振动监测 | 2020-05-21 | 839 |
| 一种低波峰因数多频率正弦信号的合成方法 | 2020-05-16 | 276 |
| 带有无源功率因数校正的电子镇流器 | 2020-05-24 | 374 |
高效检索全球专利专利汇是专利免费检索,专利查询,专利分析-国家发明专利查询检索分析平台，是提供专利分析，专利查询，专利检索等数据服务功能的知识产权数据服务商。
我们的产品包含105个国家的1.26亿组数据，免费查、免费专利分析。
专利汇分析报告产品可以对行业情报数据进行梳理分析，涉及维度包括行业专利基本状况分析、地域分析、技术分析、发明人分析、申请人分析、专利权人分析、失效分析、核心专利分析、法律分析、研发重点分析、企业专利处境分析、技术处境分析、专利寿命分析、企业定位分析、引证分析等超过60个分析角度，系统通过AI智能系统对图表进行解读，只需1分钟，一键生成行业专利分析报告。
