張正道，張衛華
江南大學通信與控制工程學院，江蘇無錫

摘　　　要：提出一種α穩定分布基函數概率神經網絡（Ａｌｐｈａ�玻校危危┙Y構，該網絡隱層的神經元激活函數采用了對稱α穩定分布的概率密度函數，和常規的高斯分布函數相比，其具有更好的可變性和延展性，從而使隱層的神經元在函數近似上具有更高的適應性，同時也克服了概率神經網絡對輸入數據的獨立同分布假設，提高了神經網絡對局部脈沖突變的近似能力。在此基礎之上，提出了一種新的根據系統輸入輸出數據實現的故障診斷算法，并將其應用到軸承的故障診斷中。仿真結果表明，在有色噪聲的背景下，該算法仍然能夠實現較好的識別效果，故障的誤報率低于概率神經網絡方法。

關　鍵　詞：α穩定分布；基函數；概率神經網絡；故障診斷；有色噪聲

１　引　言
概率神經網絡［１］（ＰｒｏｂａｂｉｌｉｓｔｉｃＮｅｕｒａｌＮｅｔｗｏｒｋ，ＰＮＮ）是在徑向基函數（ＲＢＦ）神經網絡的基礎上發展而來的一種前饋型神經網絡，較早是由Ｄ�保篇保樱穑澹悖瑁舨┦吭冢保梗福鼓晏岢觥Ｆ鋵嵸|是基于貝葉斯較小風險準則的一種并行算法，特別適合于模式識別及分類。近年來，ＰＮＮ以其良好的數據分類性能，被廣泛地應用于故障診斷領域，并在大量的實際工程中獲得了成功應用［５�玻福荨Ｄ壳皩Γ校危蔚难芯恐饕�集中在算法學習理論及改進模型上，并獲得了豐碩的成果［９�玻保保荨Ｈ欢�，ＰＮＮ的隱層單元采用高斯函數作為激活函數，這就默認了一個假設，即：訓練數據的獨立同分布假設。但實際上訓練數據相互之間往往是相關的，這就極大地限制了ＰＮＮ的應用。為此，本文提出了一種基于對稱α穩定分布基函數概率神經網絡的故障診斷算法，回避了對數據獨立同分布的要求，并由此提出新的故障診斷方法。較后，以風扇端子軸承的故障診斷為例驗證了所提算法的有效性。

登錄網站后可下載文件