基于交叉熵代价函数的DBN转子系统故障识别分析

针对传统转子系统故障诊断方法在处理复杂故障数据时存在收敛速度慢和识别精度低问题,提出一种基于交叉熵代价函数的深度置信网络(DBN)故障识别方法。其采用无监督算法初始化限制性玻尔兹曼机(RBM)的参数空间,交叉熵代价函数反向传递误差,优化参数空间,逐层堆叠重置后RBM构建深层模型;利用已有数据建立转子系统智能识别库;在MNISIT手写数字集和转子系统故障数据集上验证,与传统DBN相比,利用交叉熵惩罚函数的深度置信网络可消除由于激活函数本身梯度对参数空间更新速度的影响,能有效地提高分类的精度。