買專利賣專利找龍圖騰，真高效！ 查專利查商標用IPTOP,全免費！專利年費監控用IP管家,真方便！

龍圖騰網獲悉北京航空航天大學申請的專利一種基于PSO-DBN的高通濾波器故障特征提取方法獲國家發明授權專利權，本發明授權專利權由國家知識產權局授予，授權公告號為：CN116663472B 。

龍圖騰網通過國家知識產權局官網在2025-09-05發布的發明授權授權公告中獲悉：該發明授權的專利申請號/專利號為：202310458573.8，技術領域涉及：G06F30/367；該發明授權一種基于PSO-DBN的高通濾波器故障特征提取方法是由胡薇薇;李曉鋼;王云鵬;孫小寒設計研發完成，并于2023-04-25向國家知識產權局提交的專利申請。

本一種基于PSO-DBN的高通濾波器故障特征提取方法在說明書摘要公布了：本發明以典型高通濾波器為研究對象提供一種基于PSO?DBN的高通濾波器故障特征提取方法，它是一種基于PSO?DBN的預測方法。首先搭建一個高通濾波器的電路模型，利用PSpice軟件進行故障注入，并對不同故障模式下的輸出響應進行數據采集。其次，通過蒙特卡羅仿真，每種故障模式下分別獲得一定的樣本數據，將歸一化處理后的數據輸入至不同RBM對疊層個數的DBN深度信念網絡進行故障特征提取，并對比仿真時間與特征提取效果，確定最優隱含層數量。最后，使用PSO粒子群優化算法確定隱含層神經元個數，實現對DBN模型結構優化，進一步提高模型特征提取性能。經過與其他模型的對比，PSO?DBN模型預測效果顯著優于其他模型。

本發明授權一種基于PSO-DBN的高通濾波器故障特征提取方法在權利要求書中公布了：1.一種基于PSO-DBN的高通濾波器故障特征提取方法，其特征在于：步驟如下： 步驟一：基于PSpice的高通濾波器建模與故障注入： 使用PSpice軟件建立高通濾波器的電路模型，通過改變其中不同關鍵元器件數值的方式實現不同故障模式的故障注入；再使用軟件對不同故障模式下的輸出進行數據采集； 步驟二：基于深度信念網絡DBN的故障特征提取模型隱含層數選擇： 通過蒙特卡洛仿真得出每種故障模式下的一定量的樣本數據，之后將其歸一化；將DBN模型的中RBM的堆疊個數設置為1、2、3、4、5，分別進行特征提取，同時對比特征評價指標和運行時間，選取最合適的RBM堆疊個數即隱含層數；特征評價指標為類內距離與類間距離比值的平均數； 步驟三：基于PSO的DBN隱含層神經元數量確定： 在步驟二確定隱含層數后，使用粒子群優化算法PSO進行計算，得到適應度函數的變化曲線，確定迭代次數，進而確定每層的隱含神經元個數，最終得到完整的高通濾波器故障特征提取模型； 在步驟一中，首先在PSpice電路仿真軟件上對某高通濾波器進行數字建模；四運放雙二階高通濾波器電路由10個電阻、2個電容以及4個運算放大器組成，其中，R1＝R2＝R3＝6.2kΩ，R4＝1.6kΩ，R5＝R6＝5.1kΩ，R7＝R8＝R9＝R10＝10kΩ，C1＝C2＝5nF；施加幅值為5V，持續時間為10us的單脈沖信號； 在步驟二中，設有M種故障類型，利用DBN模型進行故障特征提取后，共獲得W維特征向量，以每個特征向量的類內距離d1和類間距離d2為基礎，對該特征向量集中程度與分散程度進行衡量，并利用d2與d1的比值構建特征向量的評價指標： 在故障特征提取過程中，理想的故障特征應滿足類內距離最小化，類間距離最大化；對于第i個特征向量而言，當評價指標λi越大說明特征向量對于M中故障類型的類別可分離性越好，用于表征不同故障模式的能力就越強，反之則能力越弱； 計算W個特征向量的平均評價指標，并作為特征向量的整體評價指標，表示為： 其中，λr表示第r個特征向量的評價指標，衡量了所有特征向量的故障分離能力，能夠從總體上反映特征提取方法的提取效果和質量； 在步驟三中，引入粒子群優化算法PSO用于隱含層神經元個數確定；當利用PSO算法搜索DBN模型的最優參數時，需要提前確定PSO算法中采用的適應度函數，考慮數據同構前后的均方根誤差RMSE和特征向量整體評價指標并將二者加權組合后的fitness作為評價PSO算法的適應度，表達公式如下： 其中，σ1和σ2分別表示RMSE和的權重系數，用于描述對適應度函數的影響程度。

如需購買、轉讓、實施、許可或投資類似專利技術，可聯系本專利的申請人或專利權人北京航空航天大學，其通訊地址為：100191 北京市海淀區學院路37號；或者聯系龍圖騰網官方客服，聯系龍圖騰網可撥打電話0551-65771310或微信搜索“龍圖騰網”。