概率神经网络（PNN）已成功应用于化工过程故障诊断。在概率神经网络中,平滑参数对网络性能有很大的影响,并且很难确定。因此,采用粒子群优化（PSO）算法本文由公司网站张家港大棚滚圆机采集转载中国知网整理!!http://www.dapenggunyuanji.com/ ,寻找平滑参数。针对粒子群优化算法中线性变化的惯性权重易使其陷入局部极值问题,采用非线性变化的惯性权重替代线性变化的惯性权重,并将其应用于改进惯性权重粒子群（IIWPSO）算法。将IIWPSO算法应用于概率神经网络中（即IIWPSO-PNN）,使其自动搜索并寻找最优的平滑参数用于概率神经网络的训练和测试。与前人提出的线性变化惯性权重、两种非线性变化的惯性权重（分别记为w1、w2和w3）进行比较,将w1、w2和w3应用于PSO-PNN中（分别记为PSOPNN1、PSO-PNN2和PSO-PNN3）。最后将IIWPSO-PNN应用于田纳西-伊斯曼过程中,与PNN、PSO-PNN、PSO-PNN1、PSOPNN2和PSO-PNN3网络进行比较。试验结果表明:IIWPSO-PNN在解决故障诊断问题时,识别率与收敛速度都有较大的提高。试验结果验证了IIWPSO-PNN算法应用于化工过程的可行性和有效性，将改进惯性权重粒子群(improvedinertiaweightPSO，IIWPSO)算法应用于PNN网络中，并基于标准化工测试过程———田纳西－伊斯曼过程进行仿真验证。1算法描述1．故障诊断中-张家港数控滚圆机滚弧机张家港数控滚圆机滚弧机折弯机1概率神经网络概率神经网络是基于径向基神经网络发展而来的一种前向性神经网络［5］，1990年由Specht提出，是一种基于贝叶斯规则与Parzen窗的概率密度函数发展而来的并行算法，具有训练时间短、结构固定、非线性识别能力强等特点，特别适合故障诊断以及识别问题［6］。概率神经网络由输入层、模式层、求和层和输出层组成，其网络结构如图1所示。图1概率神经网络结构图输入层神经元的数目和训练样本的维数相等，记训练样本为X=(x1，x2，…，xm)T。模式层计算训练样本X与权值向量IW的距离，通常采用欧氏距离;然后通过径向基非线性映射后获得模式层的输出向量M。径向基函数通常选取高斯函数，输出向量M表示训练样本输出为各类的概率，由式(1)计算，σ为平滑参数。Mij(X)=1(2πσ2)n2expX－IW2ij2σ()2(1)求和层计算模式层输出向量M的加权和S，由式(2)计算:Si(X)=∑Nii=1wijMij(X)i∈{1，2，…，n}(2)∑Nii=1wij=1i∈{1，2，…，n}且wij∈［0，1］(3)式中:wij为各向量的权重;n为总的模式数;Ni为i类模式层的神经元数目。输出层根据求和层的输出S中的最大值，获得网络的输出Q(X)。Q(X)=argmax1≤i≤n(Si)(4)平滑参数决定了以样本点为中心的高斯曲线的宽度，并对网络性能有很大的影响，且在一定范围内有一个值使识别效果达到。在概率神经网络中，平滑参数通常是经验设定，需要在多次故障诊断中-张家港数控滚圆机滚弧机张家港数控滚圆机滚弧机折弯机本文由公司网站张家港大棚滚圆机采集转载中国知网整理!!http://www.dapenggunyuanji.com/