第八章神经网络.pdf

第八章 人工神经网络算法 8.1 概述 火灾探测信号检测与其他典型的信号检测相比是一种十分困难的信号检测，它要求信号处理算法能够 适应各种环境情况的变化，自动调整参数以达到既能快速探测火灾，又有很低的误报率。而且，在探测器 的安装位置、人的活动以及环境影响事先无法确定的情况下，无论采用什么样的固定算法程序都不能满足 要求。要完成这样复杂的功能必须采用人工智能的方法。人工智能就是将人的智能“赋予”机器，用智能 机器来完成需要人的智能才能完成的工作。如果计算机（机器）能够执行人类的某种活动，就可以认为这 种机器具有某种程度的人工智能（AI ）。人工神经网络方法是通过模仿人脑的结构和工作原理,设计和建立 相应的机器和模型，并完成一定的智能任务。 神经网络可根据当前系统所接收到的样本的相似性确定分类标准。这种确定方法主要表现在权值分布 上，同时可采用神经网络特定的学习算法来获取知识，得到不确定性推理机制。神经网络多传感器信息融 合的实现，可分为三个重要步骤： 1，根据智能系统的要求以及传感器信息融合的形式，选择神经网络的拓扑结构； 2，各传感器的输入信息综合处理为一个总体输入函数，并将此函数映射定义为相关单元的映射函数， 它通过神经网络与环境的交互作用把环境的统计规律反应到网络本身的结构中来； 3，对传感器输出信息进行学习、理解，确定权值的分配，完成知识获取信息融合，进而对输入模式作 出解释，将输入数据向量转换成高层逻辑（符号）概念。 神经网络具有很强的自适应性、学习能力、容错能力和并行处理能力，使信号处理过程更接近人类的 思维活动。 8.2 神经元结构模型 人工神经网络是由一些简单的处理单元组织的大规模平行网络,它是现代神经生物学和认知科学对人 类信息处理研究成果基础上提出的对人的神经系统的简化、抽象和模拟的模型。 神经元是神经网络的基本计算单元，一般是多个输入，一个输出的非线性单元，可以有一个内部反馈 和阈值，如图8－1 所示。 图8－1 神经元结构 图中：x －输入信号， －输出信号，s －内部状态的反馈信号，θ －阈值， x i i i i F －表示神经元活动的特征函数。图8－1 的功能可以用下列数学公式表示： X ＝∑w x ＋s （8－1） i j j i x ＝F （X ） i i 上式表示：1、每个神经元都是一个多输入单输出的信息处理基元；2 、神经元的输入分兴奋性输入和 抑制性输入二种类型；3、神经元输出有阈值特性，服从“全或无”定律：只有当输入总和超过其阈值时， 神经元才被激活，而当输入总和未超过阈值时，神经元不会发放冲动；4 、神经元输入与输出之间有固定的 时滞，主要取决于突触延搁。由于是固定延时，式中未作考虑；5、神经元本身是非时变。 当多个神经元时，可用矢量形式表示为： X =F （X W +S ） (8-2) 其中输入X 为N 维矢量，输出X 为M 维矢量，W 为M ×N 维矩阵，公式（8－2 ）意指网络连接模型输 入层有N 个神经元，输出层有M 个神经元，有N 个内部反馈信号，在特征函数作用下，按阈值控制输出。 根据输入输出特性不同，可用不同的特征函数表示，图8－2 列出了几种神经元的特征函数。 图8－2 神经元的特征函数 8.3 神经网络结构 人工神经元的结构忽略了许多生物原形神经元的特性，如它没有考虑影响网络动态特性的时间延迟， 而是输入立即产生输出；更为重要的是，它不包括同步或异步的影响。但神经元构成的网络仍显示了很强 的生物原形特性，这或许抓住了生物神经元的