申请/专利权人：哈尔滨理工大学

申请日：2023-07-14

公开（公告）日：2024-04-05

公开（公告）号：CN117077509B

主分类号：G06F30/27

分类号：G06F30/27;G06N3/006;G06N3/0499;G06N3/08;G06F119/08

优先权：

专利状态码：有效-授权

法律状态：2024.04.05#授权;2023.12.05#实质审查的生效;2023.11.17#公开

摘要：一种北方苍鹰算法优化KELM神经网络的电主轴热误差建模方法，属于高速电主轴热误差分析领域。所述方法为：采集高速电主轴不同转速下的温度和热误差数据，并将采集的数据划分为模型的训练集和测试集；利用谱系聚类分析和灰色关联度分析对温度测点进行优化，构造模型的输入和输出；初始化KELM神经网络模型参数和NGO算法参数；利用NGO算法通过迭代更新优化KELM神经网络的超参数选择，建立NGO‑KELM神经网络电主轴热误差预测模型。本发明引入了北方苍鹰优化算法，可以将核参数映射到待优化参数空间，然后使用北方苍鹰优化算法来搜索最优的核参数组合。通过这种方式，可以提高核极限学习机算法的性能，并获得更好的分类和回归结果。

主权项：1.一种基于北方苍鹰算法优化KELM神经网络电主轴热误差建模方法，其特征在于：所述方法为：步骤一：采集高速电主轴不同转速下的温度和热误差数据，并将采集的数据划分为模型的训练集和测试集；步骤二：利用谱系聚类分析和灰色关联度分析对温度测点进行优化，构造模型的输入和输出；步骤三：初始化KELM神经网络模型参数和NGO算法参数；步骤三中，ELM的学习目标函数Fx用矩阵表示为：Fx＝H×β＝L其中，x为输入向量，H为隐层节点输出，β为输出权重，L为期望输出；将网络训练变为线性系统求解的问题，其中，HT为H的广义逆矩阵，为增强神经网络的稳定性，引入正则化系数c和单位矩阵I，则输出权值的最小二乘解为 引入核函数到ELM中，核矩阵为：ΩELM＝HHT＝Kxi,xj其中，H为隐层节点输出，K为核函数，i表示矩阵的行，j表示矩阵的列，xi为试验输入的矩阵行向量，xj为试验输入的矩阵列向量；输入层和输出层个数根据输入输出参数确定，将核函数引入后则可将学习目标函数Fx用矩阵表示为： 其中，x1,x2,…,xn为给定训练样本，n为样本数量；步骤四：利用NGO算法通过迭代更新优化KELM神经网络的超参数选择，建立NGO-KELM神经网络电主轴热误差预测模型；所述步骤四具体为：1算法初始化过程，公式为： 其中，FX为得到的目标函数值的向量，Fi为用所提解得到的目标函数值，Xi是第i个提议的解决方案，N是总体成员数；2第一阶段，猎物识别探索，目的是确定最优区域，公式为：pi＝xk,i＝1,2,...,n,k＝1,2,i-1,i+1,N 其中，Pi是第i只北方苍鹰捕食的位置，i为可以是1或2的随机数，k为区间[1，N]内的随机自然数，是第i个提议解的新状态，是它的第j维，xi,j是由第i个建议的解决方案指定的第j个变量的值，r为区间[0，1]内的随机数，Pi,j是由第i个北方苍鹰狩猎位置的第j个变量的值，xi,j是由第i个建议解中的第j个变量的值，为目标函数值，Fi是第i个提议解得到的目标函数值，Xi是第i个提议的解决方案，I是一个随机数，可以是1或2，为其基于NGO第一阶段的目标函数值；3第二阶段，追逐和逃跑操作利用，目的在提高了算法对搜索空间局部搜索的利用能力，公式为： 其中，t为迭代计数器，T为最大迭代次数，为提出的解决方案的新状态，为它的第j维，r为假设这次狩猎靠近半径为r的攻击位置，是它的目标函数基于NGO第二阶段的价值；4在基于第一阶段和第二阶段的NGO算法更新所有种群成员后，完成算法的迭代，确定种群成员的新值、目标函数和最佳建议解；5继续更新种群成员，直到算法的最后一次迭代，最后，在NGO完全实现后，将算法迭代得到的最佳建议解作为给定优化问题的拟最优解引入；6输出优化后的KELM网络的超参数选择，建立NGO-KELM神经网络电主轴热误差预测模型；步骤五：利用优化得到的NGO-KELM神经网络预测模型对高速电主轴热误差进行预测和验证。

全文数据：

权利要求：

百度查询： 哈尔滨理工大学 一种北方苍鹰算法优化KELM神经网络电主轴热误差建模方法

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