买专利卖专利找龙图腾，真高效！ 查专利查商标用IPTOP,全免费！专利年费监控用IP管家,真方便！

龙图腾网获悉北京航空航天大学申请的专利一种基于PSO-DBN的高通滤波器故障特征提取方法获国家发明授权专利权，本发明授权专利权由国家知识产权局授予，授权公告号为：CN116663472B 。

龙图腾网通过国家知识产权局官网在2025-09-05发布的发明授权授权公告中获悉：该发明授权的专利申请号/专利号为：202310458573.8，技术领域涉及：G06F30/367；该发明授权一种基于PSO-DBN的高通滤波器故障特征提取方法是由胡薇薇;李晓钢;王云鹏;孙小寒设计研发完成，并于2023-04-25向国家知识产权局提交的专利申请。

本一种基于PSO-DBN的高通滤波器故障特征提取方法在说明书摘要公布了：本发明以典型高通滤波器为研究对象提供一种基于PSO‑DBN的高通滤波器故障特征提取方法，它是一种基于PSO‑DBN的预测方法。首先搭建一个高通滤波器的电路模型，利用PSpice软件进行故障注入，并对不同故障模式下的输出响应进行数据采集。其次，通过蒙特卡罗仿真，每种故障模式下分别获得一定的样本数据，将归一化处理后的数据输入至不同RBM对叠层个数的DBN深度信念网络进行故障特征提取，并对比仿真时间与特征提取效果，确定最优隐含层数量。最后，使用PSO粒子群优化算法确定隐含层神经元个数，实现对DBN模型结构优化，进一步提高模型特征提取性能。经过与其他模型的对比，PSO‑DBN模型预测效果显著优于其他模型。

本发明授权一种基于PSO-DBN的高通滤波器故障特征提取方法在权利要求书中公布了：1.一种基于PSO-DBN的高通滤波器故障特征提取方法，其特征在于：步骤如下： 步骤一：基于PSpice的高通滤波器建模与故障注入： 使用PSpice软件建立高通滤波器的电路模型，通过改变其中不同关键元器件数值的方式实现不同故障模式的故障注入；再使用软件对不同故障模式下的输出进行数据采集； 步骤二：基于深度信念网络DBN的故障特征提取模型隐含层数选择： 通过蒙特卡洛仿真得出每种故障模式下的一定量的样本数据，之后将其归一化；将DBN模型的中RBM的堆叠个数设置为1、2、3、4、5，分别进行特征提取，同时对比特征评价指标和运行时间，选取最合适的RBM堆叠个数即隐含层数；特征评价指标为类内距离与类间距离比值的平均数； 步骤三：基于PSO的DBN隐含层神经元数量确定： 在步骤二确定隐含层数后，使用粒子群优化算法PSO进行计算，得到适应度函数的变化曲线，确定迭代次数，进而确定每层的隐含神经元个数，最终得到完整的高通滤波器故障特征提取模型； 在步骤一中，首先在PSpice电路仿真软件上对某高通滤波器进行数字建模；四运放双二阶高通滤波器电路由10个电阻、2个电容以及4个运算放大器组成，其中，R1＝R2＝R3＝6.2kΩ，R4＝1.6kΩ，R5＝R6＝5.1kΩ，R7＝R8＝R9＝R10＝10kΩ，C1＝C2＝5nF；施加幅值为5V，持续时间为10us的单脉冲信号； 在步骤二中，设有M种故障类型，利用DBN模型进行故障特征提取后，共获得W维特征向量，以每个特征向量的类内距离d1和类间距离d2为基础，对该特征向量集中程度与分散程度进行衡量，并利用d2与d1的比值构建特征向量的评价指标： 在故障特征提取过程中，理想的故障特征应满足类内距离最小化，类间距离最大化；对于第i个特征向量而言，当评价指标λi越大说明特征向量对于M中故障类型的类别可分离性越好，用于表征不同故障模式的能力就越强，反之则能力越弱； 计算W个特征向量的平均评价指标，并作为特征向量的整体评价指标，表示为： 其中，λr表示第r个特征向量的评价指标，衡量了所有特征向量的故障分离能力，能够从总体上反映特征提取方法的提取效果和质量； 在步骤三中，引入粒子群优化算法PSO用于隐含层神经元个数确定；当利用PSO算法搜索DBN模型的最优参数时，需要提前确定PSO算法中采用的适应度函数，考虑数据同构前后的均方根误差RMSE和特征向量整体评价指标并将二者加权组合后的fitness作为评价PSO算法的适应度，表达公式如下： 其中，σ1和σ2分别表示RMSE和的权重系数，用于描述对适应度函数的影响程度。

如需购买、转让、实施、许可或投资类似专利技术，可联系本专利的申请人或专利权人北京航空航天大学，其通讯地址为：100191 北京市海淀区学院路37号；或者联系龙图腾网官方客服，联系龙图腾网可拨打电话0551-65771310或微信搜索“龙图腾网”。