买专利卖专利找龙图腾，真高效！ 查专利查商标用IPTOP,全免费！专利年费监控用IP管家,真方便！

申请/专利权人：上海应用技术大学

摘要：本发明公开了一种改进后的BP神经网络预测轴温等级的方法，包括步骤1：确认轴温等级判断标准；步骤2：对收集的数据进行处理；步骤3：搭建检测轴温等级的神经网络并且进行验证。本发明将利用传感器直接测得得轴温数据和利用皮尔逊相关系数法获取的特征同时作为BP神经网络得输入，并且提供了通过对收集的数据进行K‑折交叉验证的办法解决部分轴温等级由于数据不足而导致的BP神经网络的过拟合现象，以及通过残差块来解决由于加深网络深度产生的梯度变得很小或者梯度消失这种现象的方法，从而来进一步提高预测精度。

主权项：1.一种改进后的BP神经网络预测轴温等级的方法，其特征在于，包括以下步骤：步骤1：确认轴温等级判断标准；步骤2：对收集的数据进行处理；所述步骤2的具体步骤如下：步骤2.1：获取轴承温度；步骤2.2：确认选取特征的方法，并且选取特征；所述步骤2.2具体包括以下内容：对收集到与轴温相关的特征利用皮尔逊相关系数法来判断特征和轴温的相关系数γ，γ的范围[-1,1]，当相关系数γ越大时，说明这个特征和轴温的相关程度越大；利用这一种方法，通过比对不断去除样本集中与目标特征无关或关系较弱的部分特征,从而剔除了对目标问题的解决没有贡献甚至会产生干扰的数据，其中皮尔逊相关系数的求解公式如下： 其中，N代表的是特征样本个数，yi是第i次的轴温，xi是第i次的特征值；选择列车运行速度、载重、外界温度，列车的运行状态、列车的类别、列车运行时间这6个特征；步骤2.3：处理收集的轴承温度和相关特征，获得训练集和验证集；所述步骤2.3具体包括以下内容：由于列车的轴温的强热、激热等级等级的数据较少，但在构建BP神经网络模型所需的训练数据中四个等级的样本个数应该差不多，所以我们的训练数据的样本个数较少，当选用较深的BP神经网络会出现过拟合现象，因此在这里使用K-折交叉验证的方法来选取训练数据集和验证数据集，从而减缓模型的过拟合现象，提高整个模型的泛化能力；步骤3：搭建检测轴温等级的神经网络并且进行验证；所述步骤3的具体步骤如下：步骤3.1：构建残差块；所述步骤3.1具体包括以下内容：当训练模型的时候，随着网络深度到达一定的程度时，会出现梯度消失的现象，而残差块类似与自动控制系统中的前馈反馈相似，将输入残差块的数据X，X∈Rm*n，m代表的为样本的个数，n可以被看作残差块输入层神经元的个数，X有两个走向，一个是直接通过跳跃路径得到输出Y2，另一个是通过主路径再通过一个全连接层后进行批量归一化和激活后在经过一个全连接并且批量归一化得到的输出Y1相加激活后，作为这个残差块的输出结果Z；同时残差块的构建可以分为两种模式：模式一，残差块的第一层全连接的神经元个数是第二层全连接的神经元个数的一半，同时在跳跃路径上存在一个神经元个数等于第二层全连接的神经元个数的全连接层；模式二，第一层全连接的神经元个数是第二层全连接的神经元个数，此时在跳跃路径上不存在全连接层，直接作为Y2和Y1相加；步骤3.2：构建整个残差网络；所述步骤3.2具体包括以下内容：输入轴温数据首先会经过一个含有56个神经元的全连接层，之后通过三个由2个残差块构成stage模块，之后经过三个stage模块，每一个stage模块中含有两个残差块，其中：首先，第一stage模块中的第一个残差块选用的是模式二，即经过后输出矩阵的形状不发生改变的情况；第二个残差块也是选用模式二的；其次，第二stage模块和第三stage模块构造相同，第一个残差块选用的是模式一，第二个残差块选用的是模式二；最后，第三stage模块的输出经过一个模式一的残差块后连接至输出层；步骤3.3：构建模型的评估指标，并对模型进行微调和验证；所述步骤3.3具体包括以下内容：此时的输出层有4个神经元，四个神经元分别代表正常、微热、强热、激热这四种情况出现的概率；因此输入多个样本的数据经过模型可以得到每个样本数据的各个轴温状态可能性的大小，因此可以通过和标签进行对比对从而来评估模型的好坏，通过多次调解超参数来调整模型，使模型达到理想效果。

全文数据：

权利要求：

百度查询： 上海应用技术大学 一种改进后的BP神经网络预测轴温等级的方法