Page 117 - 2024年第55卷第7期

图 ９ 特征可视化（ＳＮＲ ＝ ５ｄＢ噪声）

３．４ 特征状态识别 分别以上述 ３种特征熵作为 ＩＯＯＡ － ＢｉＬＳＴＭ模型的输入，所有样本均按照 ２∶８划
分为测试集和训练集，进行故障诊断分类。其中 ＩＯＯＡ相关参数设置如下：种群数量 ２０，最大迭代次
数 ５０，权值阈值上下边界分别为 ０．３和 ０．０１。
首先利用 ＩＯＯＡ算法和 ＯＯＡ算法对 ＢｉＬＳＴＭ神经网络的隐藏层节点和学习率进行优化。其收敛迭
代过程曲线如图 １０所示。随着位置不断更新，种群优化，最优个体适应度函数值下降。ＩＯＯＡ算法完
成收敛大概需要 ２０次迭代，而未改进的 ＯＯＡ算法大约需要 ３５次迭代才能收敛。此外，ＯＯＡ算法还
陷入了局部最优困境，无法达到 ＩＯＯＡ的收敛精度。同时，为验证本文优化算法的适用性，引入 ２个
函数测试本文优化算法。图 １１为 ＩＯＯＡ算法和 ＯＯＡ算法在测试函数下的适应度曲线，可以看出 ＩＯＯＡ
具有更高的效率和精度。

图 １０ 优化迭代过程曲线 图 １１ 不同函数适应度曲线
（１）适应度函数表达式为：
Ａ
( ) × １００
α
ｆ ＝ １ － （２７）
ｘ
Ｂ
β
式中：Ａ 为预测分类结果；Ｂ 为真实分类结果。
β
α
（ ２）Ｓｐｈｅｒｅ函数表达式为：
３０
２
ｆ＝ ｘ （２８）
１ ∑ ＝１ ｚ
ｚ
式中：ｘ ∈［ － １００ ，１００］；ｍｉｎ（ｆ） ＝０ 。
ｚ
１
（ ３）ＱｕａｒｔｉｃＦｕｎｃｔｉｏｎＮｏｉｓｅ函数表达式为：
３０
４
ｆ＝ ｕｘ ＋ｒａｎｄｏｍ［０，１］ （２９）
２ ∑
ｕ ＝１ ｕ
式中：ｘ∈［ － １ ．２８，１．２８］；ｍｉｎ（ｆ） ＝０ 。
２
ｕ
为体现模型分类的效果，引入表 １中 ６组模型作对比。限于篇幅，本文仅列出后两种模型 ＣＥＥＭ
ＤＡＮ － ＴＳＭＳＥ － ＯＯＡ － ＢｉＬＳＴＭ与 ＣＥＥＭＤＡＮ － ＴＳＭＳＥ － ＩＯＯＡ － ＢｉＬＳＴＭ 原 始信 号分 类 与 含 噪 信 号 分 类 的
对比结果，其混淆矩阵和状 态 分 类 识 别 如 图 １２、 图 １３所 示， 其 余 不 同 模 型 的 分 类 准 确 率 如 表 １
所示。
— ８ ６ ９ —