基于冯洛伊曼拓扑的鲸鱼算法用于滚动轴承的故障诊断研究（Matlab代码实现）-Toy模板网

这篇具有很好参考价值的文章主要介绍了基于冯洛伊曼拓扑的鲸鱼算法用于滚动轴承的故障诊断研究（Matlab代码实现）。希望对大家有所帮助。如果存在错误或未考虑完全的地方，请大家不吝赐教，您也可以点击"举报违法"按钮提交疑问。

👨‍🎓 个人主页：研学社的博客

💥 💥 💞 💞 欢迎来到本博客 ❤️ ❤️ 💥 💥

🏆 博主优势： 🌞 🌞 🌞博客内容尽量做到思维缜密，逻辑清晰，为了方便读者。

⛳ 座右铭：行百里者，半于九十。

📋 📋 📋 本文目录如下： 🎁 🎁 🎁
目录
💥1 概述
📚2 运行结果
2.1 改进鲸鱼算法
2.2 普通 lssvm
🎉3 参考文献
🌈4 Matlab代码实现

💥1 概述

本文利用最小二乘支持向量机进行分类器建模，改进鲸鱼算法（基于冯洛伊曼拓扑的鲸鱼算法）进行超参数寻优，最后将所提方法用于滚动轴承的故障诊断。

📚2 运行结果

2.1 改进鲸鱼算法

2.2 普通 lssvm

部分代码：

%% 本程序用于多种优化算法的对比

% 分别为粒子群遗传算法鲸鱼算法基于冯洛伊曼拓扑的鲸鱼算法

% 运行只需要取消对应算法的注释

% 将不需要的算法加上注释即‘%’

% 由于运行比较慢我已经保存了一次vnwoa的结果在trace中

% 未优化的程序在lssvm_putong中

clear

clc

close all

format compact

%% 加载数据

load data_kjade

input=data_kjade;

output=[1*ones(1,100) 2*ones(1,100) 3*ones(1,100) 4*ones(1,100) 5*ones(1,100) 6*ones(1,100) 7*ones(1,100) 8*ones(1,100) 9*ones(1,100) 10*ones(1,100)]';

rand('seed',0)

%% 随机取700为训练集 300为测试集

[m,n]=sort(rand(1,1000));

m=700;

X1=input(n(1:m),:);

y1=output(n(1:m),:);

Xt=input(n(m+1:end),:);

yt=output(n(m+1:end),:);

N=5;

G=10;

% [x,trace]=psoforlssvm(N,G,X1,y1,Xt,yt);%粒子群算法

% [x,trace]=gaforlssvm(N,G,X1,y1,Xt,yt);%遗传算法

[x,trace]=woaforlssvm(N,G,X1,y1,Xt,yt);%鲸鱼算法

% [x,trace]=vnwoaforlssvm(N,G,X1,y1,Xt,yt);%改进鲸鱼算法

load trace

figure

plot(trace)

xlabel('迭代次数')

ylabel('适应度值')

title('适应度曲线')

gam = x(1)

sig2 =x(2)

% 利用寻优得到的最优gam与sig2重新训练lssvm

[yc,codebook,old_codebook] = code(y1,'code_OneVsOne');

%code_OneVsAll

%code_OneVsOne

%code_MOC

model = initlssvm(X1,yc,'c',gam,sig2,'RBF_kernel');

model = trainlssvm(model);

Y = simlssvm(model,X1);

predict_label = code(Y,old_codebook,[],codebook);

fprintf(1,'Accuracy: %2.2f\n',100*sum(predict_label==y1)/length(y1));

figure

stem(y1)

hold on

plot(predict_label,'*')

xlabel('训练集样本编号')

ylabel('输出标签')

title('训练集分类输出')

%%% 测试集准确率

Y = simlssvm(model,Xt);

predict_label = code(Y,old_codebook,[],codebook);

fprintf(1,'Accuracy: %2.2f\n',100*sum(predict_label==yt)/length(yt));

figure

stem(yt)

hold on

plot(predict_label,'*')

xlabel('测试集样本编号')

ylabel('输出标签')

title('测试集分类输出')

%% 普通 lssvm

clear

clc

close all

format compact

addpath LSSVMlab

%% 加载数据

load data_kjade

input=data_kjade;

output=[1*ones(1,100) 2*ones(1,100) 3*ones(1,100) 4*ones(1,100) 5*ones(1,100) 6*ones(1,100) 7*ones(1,100) 8*ones(1,100) 9*ones(1,100) 10*ones(1,100) ]';

rand('seed',0)

%% 随机取700为训练集 300为测试集

[m,n]=sort(rand(1,1000));

m=700;

X1=input(n(1:m),:);

y1=output(n(1:m),:);

Xt=input(n(m+1:end),:);

yt=output(n(m+1:end),:);

%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%

gam = 81.6492 ;

sig2 =53.5081;

[yc,codebook,old_codebook] = code(y1,'code_MOC');