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）

news2025/2/26 19:51:50

👨‍🎓 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');