申请/专利权人：莆田学院

申请日：2023-10-20

公开（公告）日：2024-03-22

公开（公告）号：CN117743837A

主分类号：G06F18/2135

分类号：G06F18/2135;G06N3/0464;G06N3/08

优先权：

专利状态码：在审-实质审查的生效

法律状态：2024.04.09#实质审查的生效;2024.03.22#公开

摘要：本发明提供了一种KPCA‑GRNN概率筛筛分效率预测方法、装置、设备及介质，筛分系统是一个非线性、非高斯的复杂系统，为了更好表征系统的特征，提高筛分效率的预测精度，在获取系统不同工作状态下振动信号及筛分效率的基础上，提取了以系统振动信号时间序列的EMD能量熵、VMD能量熵、WPD能量熵特征，建立并对比分析了三种单一输入能量熵‑GRNN预测精度，提出了KPCA‑WPD能量熵特征重构‑GRNN的预测算法，将不同参数下WPD能量熵‑GRNN预测优选的基础上进行特征向量重构，再经过KPCA降维特征二次重构，参数化GRNN模型预测分析。WPD能量熵‑GRNN具有更高的预测精度，和预测效率。

主权项：1.一种KPCA-GRNN概率筛筛分效率预测方法，其特征在于，包括：获取不同工况状态下的多个时间序列和筛分效率，并选取稳定的信号段，生成分析信号；在不同层数、不同小波基函数下对所述分析信号的时间序列进行小波包分解处理，生成各节点的小波分解系数，并计算不同状态下时间序列分解的各系数总能量的信息熵；将能量熵作为单一输入特征值，与所述能量熵相对应的筛分效率作为状态输出值，构建多个样本集，其中，所述样本集包括训练集和测试集，所述能量熵为不同状态下时间序列分解的各系数总能量的信息熵；设置训练好的GRNN模型的训练样本数N和惩罚因子Spread范围，并调用所述GRNN模型对所述筛分效率进行预测处理，生成绝对平均误差、预测误差和预测平均误差，其中，所述训练样本数N的范围取7至25；对比分析所述能量熵的预测精度差异性，筛选出所述预测平均误差小于预设值的所述能量熵，重构能量熵特征向量；对所述能量熵特征向量进行KPCA主成分分析处理，生成二次重构特征向量；在不同预设参数下，调用所述GRNN模型对所述二次重构特征向量进行预测处理，生成最佳预测结果和对应参数组合方案。

全文数据：

权利要求：

百度查询： 莆田学院 一种KPCA-GRNN概率筛筛分效率预测方法、装置、设备及介质

免责声明
1、本报告根据公开、合法渠道获得相关数据和信息，力求客观、公正，但并不保证数据的最终完整性和准确性。
2、报告中的分析和结论仅反映本公司于发布本报告当日的职业理解，仅供参考使用，不能作为本公司承担任何法律责任的依据或者凭证。

阅读全文 双屏查看 官方信息 专利公告 收藏专利 下载PDF 下载WORD