基于神经网络的齿轮故障诊断分析.pptVIP

基于神经网络的齿轮故障诊断 导师：郭瑞峰 作者：袁超峰 目录 人工神经网络简介 BP神经网络 径向基神经网络 人工神经网络的使用范围 人工神经网络的局限性 齿轮的故障诊断 结论 一. 人工神经网络的简介 1.1 什么是人工神经网络 在对人脑神经网络的基本认识的基础上，用数理方法从信息处理的角度对人脑神经网络进行抽象，并建立某种简化模型，就称为人工神经网络（Artificial Neural Networks，ANN）.人工神经网络远不是人脑生物神经网络的真实写照，而只是对它的简化、抽象与模拟.因此，人工神经网络是一种旨在模仿人脑结构及其功能的智能信息处理系统. 1.2 人工神经网络的基本特点与功能 人工神经网络是基于对人脑组织结构、活动机制的初步认识提出的一种新型信息处理体系。通过模仿脑神经系统的组织结构以及某些活动机制，人工神经网络可呈现出人脑的许多特征，并具有人脑的一些基本功能。 1. 人工神经网络的基本特点 下面从结构、性能和能力三个方面介绍人工神经网络的基本特点。 （1）结构特点：信息处理的并行性、信息存储的分布性、信息处理单元的互连性、结构的可塑性 （2）性能特点：高度的非线性、良好的容错性和计算的非精确性 （3）能力特征：自学习、自组织与自适应性 2.人工神经网络的基本功能 人工神经网络是借鉴于生物神经网络而发展起来的新型智能信息处理系统，由于其结构上“仿造”了人脑的生物神经系统，因而其功能上也具有了某种智能特点. 下面对人工神经网络的基本功能进行简要介绍. 1.联想记忆：由于人工神经网络具有分布存储信息和并行计算的性能，因此它具有对外界刺激信息和输入模式进行联想记忆的能力。联想记忆有两种基本形式：自联想记忆、异联想记忆 2.非线性映射：设计合理的人工神经网络通过对系统输入输出样本对进行自动学习，能够以任意精度逼近任意复杂的非线性映射 3.分类与识别：人工神经网络对外界输入样本具有很强的识别与分类能力,比传统的分类器具有更好的分类与识别能力。 4.优化计算：利用人工神经网络可以在已知的约束条件下，寻找一组参数组合，使由该组合确定的目标函数达到最小值，即优化计算 5.知识处理：在很多情况下，利用人工神经网络处理这类知识：无法用明确的概念和模型表达，或者概念的定义十分模糊，甚至解决问题的信息不完整、不全面 1.3 人工神经网络的应用领域 1. 信息处理领域 (a)信号处理 (b)模式识别 (c)数据压缩 2. 自动化领域 (a)系统辨识 (b)神经控制器 (c)智能检测 3. 工程领域 (a)汽车工程 (b)军事工程 (c)化学工程 (d)水利工程 4. 医学领域 (a)检测数据分析 (b)生物活性研究 (c)医学专家系统 5. 经济领域 (a)信贷分析 (b)市场预测 二.BP神经网络 （1） 采用BP算法的多层感知器是至今为止应用最广泛的人工神经网络，在多层感知器的应用中，以右图所示的单隐层网络的应用最为普遍。一般习惯将单隐层感知器称为三层感知器，所谓三层包括了输入层、隐层和输入层。BP算法的特点是信号的前向计算和误差的反向传播。 （2）多层感知器的主要能力 多层感知器是目前应用最多的人工神经网络，这主要归结于基于BP算法的多层感知器具有以下一些重要能力。 （1）非线性映射能力 （2）泛化能力 泛化能力是衡量多层感知器性能优胜劣汰的一个重要方面 （3）容错能力 多层感知器的魅力还在于，允许输入样本中带有较大的误差甚至个别错误 （3）BP算法的局限性 误差曲面的分布有以下两个特点： （1）存在平坦区域 （2）存在多个极小点 误差曲面的平坦区域会使训练次数大大增加，从而影响收敛速度；而误差曲面的多极小点会使训练陷入局部极小，从而使训练无法收敛于给定误差。以上两个问题都是BP算法的固有缺陷，其根源在于其基于误差梯度降的权值调整原则每一步求解都取局部最优（该调整原则即所谓贪心（Greedy）算法的原则）。此外，对于较复杂的多层前馈网络，标准BP算法能否收敛是无法预知的，因为训练最终进入局部最小还是全局极小与网络权值的初始状态有关，而初始权值是随机确定的。 弱点：训练速度非常慢、局部极小点的逃离问题、算法不一定收敛。 优点：广泛的适应性和有效性。 （4） 标准BP算法的改进