变尺度混沌神经网络算法混沌优化方法进行寻优的基本思想是把混沌变量线性映射到优化变量的取值空间，然后利用混沌变量进行搜索。混沌变量的产生采用Logistic映射：tk＋1＝tk（1－tk）（k＝0，1，2，……，m；0＜t＜1）（2）若取参数＝4，则完全处于混沌状态，且变量tk在（0，1）范围内遍历［6］。混沌具有对初始值极其敏感的特点，取不同的初始值，即可得到不同轨迹的混沌变量。
许多文献资料表明，混沌优化方法寻优效率明显优于其他随机搜索方法［1－2］，如模拟退火法、遗传算法。然而进一步繁多的仿真计算表明该方法对于搜索空间小时效果显著，但当搜索空间大时却不能令人满意。于是有研究者提出了许多改进的混沌优化方法［7－9］。文献［8］提出采用在搜索过程中不断减小搜索空间的变尺度混沌优化法，并将变尺度混沌优化方法嵌入到神经网络的连接权值的搜索中，变尺度混沌神经网络算法如下。
（a）确定初始参数：细搜索时的混沌变量系数"，可取0.3，细搜索时区间系数，可取0.5；粗搜索迭代初值k＝0，最大次数M1；细搜索迭代初值r＝0，细搜索区间改变次数M2，每个细区间迭代最大次数M3；神经网络权值空间［ai，bi］；（b）根据BP神经网络的结构确定混沌变量的个数nvar＝（n＋1）n1＋（n1＋1）m；给优化变量赋初值x0，将x0按神经网络的结构给每个网络连接权（w1，b1，w2，b2）赋值，进行神经网络计算，根据式（1）求解目标优化函数值f（x0），x＊＝x0，f＊＝f（x0）；（c）将优化空间变量x0映射到标准“混沌”空间（0，1），得t0：t0＝（x0－ai）／（bi－ai）（3）（d）根据式（2）进行混沌变量迭代，然后将混沌变量tk＋1映射到优化空间变量xk＋1：xk＋1＝ai＋（bi－ai）tk＋1（4）将xk＋1按神经网络的结构给每个网络连接权（w1，b1，w2，b2）进行赋值，进行神经网络计算，计算f（xk＋1）；（e）若f（xk＋1）＞f（xk），则k＝k＋1，转（d）；否则令x＊＝xk＋1，f＊＝f（xk＋1），转下步骤进行；（f）若k＜M1，令k＝k＋1，转（d）；否则，按以下步骤进行；（g）缩小各变量的搜索范围：＝min（ar，x$－$（br－ar））（5）＝max（br，x$－$（br－ar））（6）其中$r＋1＝%$r，可取一稍小于1的数，如0.98，$的初值可取0.5.另外对x＊和xk还要进行还原处理：，（7）（h）再把tt＊与ttk的线性组合作为新的混沌变量，用此混沌变量进行搜索：yk＝（1－‘）tt＊＋"ttk（8）其中，"为较小的数，可取0.3；（i）以yk为混沌变量进行步骤（d）～（e）的操作，直到一定的步数M3；（j）r＝r＋1，按下式减小"的值，重复步骤（g）～（j）的操作："r＋1＝（ar（9）其中，’为稍小于1的数，可取0.99，‘的初值可取0.3，当’缩小到1.0e－10即可终止搜索；（k）重复步骤（j）若干（设为M2）次后结束寻优计算；（l）此时的x＊即为算法得到的最优变量，f＊为算法得到的最优解。
变尺度混沌神经网络模型结构基于混沌神经网络的建模思路，先将原始数据进行预处理，再作为BP网络的输入和输出，同时利用具有高搜索效率和全局搜索能力的混沌优化搜索配合BP算法对网络进行训练，最后得到原始数据和有关指标之间的非线性映射模型。变尺度混沌神经网络主要有3个部分（如所示）：输入参数的预处理、变尺度混沌神经网络功能块CNN、输出量的处理。这3个部分组成一个整体，通过对已知学习样本的学习，调整好内部参数，然后对未知情况作出预测。
球磨机的故障原因和表征方法与表征参数表征磨矿过程的参数较多，如生产的工艺参数和设备运行参量（如振动、轴瓦温升）等，它们的变化将会影响球磨机的生产效率，从而影响选矿过程的进行及选矿生产指标的稳定，所以对球磨机的故障诊断是十分重要的。磨矿生产过程中的故障包括两个部分：球磨机本身的故障和生产工艺故障。其主要故障见，其中前5个为球磨机本身故障，中间5个为润滑系统故障，最后2个为在生产工艺过程中经常出现的状态故障。作为转子系统，振动信号是表征设备运行状态的一个重要参量，当球磨机出现某一故障时，其振动信号必然呈现出相应的征兆。因此，可从振动信号中提取设备故障信息［9］。
结论讨论了基于变尺度混沌优化的神经网络的建模思路及其实现，针对球磨机故障诊断建立了相应的变尺度混沌神经网络模型，并进行了仿真试验，试验结果表明：CNN方法是进行球磨机故障诊断的一种行之有效的方法，它有较强的抗干扰能力和较高的灵敏度，预测成功率高。通过该方法的应用，可以及时发现球磨机在运行过程中存在的问题，为设备故障诊断的发展提供了一个新的可行的途径。