智能化信息处理在智能仪器中的应用资料.pptVIP

X表示其他轴突输出，w表示其他n个神经元与第i个神经元树突的连接强度，w为正的时候表示兴奋性神经元与之连接，W为负时表示抑制性神经元与之连接，θi为神经元的阈值，当各输入与其权值的积和超过阀值时，第i个神经元进入兴奋状态，输出电脉冲。 设神经网络由N个神经元组成，某种神经元i在（t+1）时刻的输出yi（t+1）可以表示为： Xi为神经元i的第j个输入，即为神经元j的输出，，wij为神经元i与神经元j间的突轴连接强度 分层型神经网络将所有神经元按功能分为若干层，一般有输入层、中间层和输出层，各层顺序连接。因为中间层不直接与外部输入和输出打交道，所以又称为隐层。 神经网络要获得所需功能，要经过所谓学习或训练，从环境中获取知识并改进自身性能，主要指调节网络参数使网络达到某种度量，又称为网络的训练。学习规则是修正神经元之间连接强度或加权 系数的算法，使获得的知识结构适应周围环境变化 有监督学习 降低输出值与期望输出值的误差 无监督学习 无期望输出值，网络自适应学习 有教师学习（监督学习） 　　　由教师给出与所有输入模式p对应的输出模式的正确答案，即期望输出t（目标），用于学习过程的输入输出模式的集合称为训练样本集；神经网络系统根据一定的学习规则进行学习（Hebb学习规则、误差纠正学习规则、竞争学习规则等），每一次学习过程完成后，教师都要考察学习的结果，即实际输出a与期望输出t的差别（误差e），以此决定网络是否需要再次学习，并根据误差信号调整学习的过程，使网络实际输出和期望输出的误差随着学习的反复进行而逐渐减小，直至达到要求的性能指标为止。 BP算法是一种有教师学习算法 BP算法是一种有教师学习算法 BP算法是一种有教师学习算法 BP算法是一种有教师学习算法 BP算法是一种有教师学习算法 表1 所示为某旋转机械中的10 个实际故障样本, 每个故障样本都有9 个故障特征值, 因而网络的输入节点数为9. 将某个故障样本的9 个故障特征值输入一个三层BP神经网络的输入层节点, 则网络输出层节点将有对应的输出. 如果用每个输出节点的输出代表 一个故障类型, 共有10 个故障样本, 或10 种故障类型, 因而, 网络输出节点数为10. k = 0. 95. 例　将表1 中第1 个故障样本(不平衡类) 的9 个故障特征值输给网络的输入层节点, 则网络输出 层节点与其对应的输出为表2 中“不平衡类”所在行 的10 个输出值, 其中只有y 1= 0. 991 8 0. 95, 其他 9 个输出均远小于0. 95, 所以, 网络故障诊断的结果 为“不平衡类”. 将表1 中第6 个故障样本(轴承与封 瓦松) 的9 个故障特征值输给网络的输入层节点, 则 网络输出层节点与其对应的输出为表2 中“轴承与 封瓦松”所在行的10 个输出值, 其中只有y 6 = 0. 988 8 0. 95, 其他9 个输出均远小于0. 95, 所以, 网络故障诊断的结果为“轴承与封瓦松”. 其他类型 的故障诊断以此类推. 根据故障诊断的特点, 网络输入层、隐层和输出层节点数分别取9、6 和10, 系统总误差E = 0. 001, 表1 所列10 个实际故障样本为网络的原始训练样本，通过网络训练,得出图1 所示三层BP 网络的各个连接权值和阈 值. 表2 所示为表1 所列10 个故障样本的对应网络输出. * * 3.3 信号分析与处理 3.3.1傅立叶级数及周期信号频谱特点 3.3.2傅立叶变换的概念 3.3.3 DFT的概念及其公式推导 3.3.4 频谱混迭现象及采样定理 3.3.5 时域有限化和频谱泄漏 3.3.6 抑制频谱泄漏、栅栏效应的措施 3.3.7 DFT参数选择 信号的频谱分析是揭示信号在频域特征的 信号分析方法。 理论依据：由法国工程师傅立叶于1807年 提出的，后人称为傅立叶分析理论。 概 述 第6章 信号分析与处理 3.3.1 傅立叶级数 1. 傅立叶级数的基本思想 任一周期函数（信号）都可由基波及与基波频率成整数倍的幅值不同的三角函数合成，称之为傅立叶级数。 对非周期函数，若是时限的，则将函数以其持续时间为周期，对信号进行周期延拓，变成周期信号后，可用傅立叶级数展开。 第6章 信号分析与处理 设 为一周期信号并满足狄里赫利条件， 则可用傅立叶级数展开，展开形式分实数（三角 函数）形式和复数形式。 2. 傅里叶级数的数学基础 第6章 信号分析与处理 （1）傅立叶级数的三角函数形式 称为幅频谱； 信号中的 m 次谐波分量的幅值； 信号中的 m 次谐波分量的初相角； 称为相频 第6章