神经网络理论与应用--王权.docVIP

研 究 生 课 程 论 文 论文题目：人工神经网络原理及应用 课程名称： 神经网络理论与应用 成 绩： 姓 名： 王 权 学 号： 2012125063 指导教师： 高 子 渝 完成时间： 2013年6月29日 人工神经网络原理及应用 1 人工神经网络简介 1.1 生物神经元模型 神经系统的基本构造是神经元（神经细胞），它是处理人体内各部分之间相互信息传递的基本单元。据神经生物学家研究的结果表明，人的大脑一般有个神经元。每个神经元都由一个细胞体，一个连接其他神经元的轴突和一些向外伸出的其它较短分支——树突组成。轴突的功能是将本神经元的输出信号（兴奋）传递给别的神经元。其末端的许多神经末梢使得兴奋可以同时送给多个神经元。树突的功能是接受来自其它神经元的兴奋。神经元细胞体将接受到的所有信号进行简单地处理后由轴突输出。神经元的树突与另外的神经元的神经末梢相连的部分称为突触。 图1 生物神经系统 1.2人工神经元模型 神经网络是由许多相互连接的处理单元组成。这些处理单元通常线性排列成组，称为层。每一个处理单元有许多输入量，而对每一个输入量都相应有一个相关联的权重。处理单元将输入量经过加权求和，并通过传递函数的作用得到输出量，再传给下一层的神经元。目前人们提出的神经元模型已有很多，其中提出最早且影响最大的是1943年心理学家McCulloch和数学家Pitts在分析总结神经元基本特性的基础上首先提出的M-P模型，它是大多数神经网络模型的基础。 图2 人工神经元模型 （1.1） 式(1.1)中,?j为神经元单元的偏置（阈值），为连接权系数（对于激发状态，取正值，对于抑制状态，取负值），n为输入信号数目，为神经元输出，t为时间，f()为输出变换函数，有时叫做激发或激励函数，往往采用0和1二值函数或Ｓ形函数。 1.3人工神经网络的基本特性 人工神经网络由神经元模型构成；这种由许多神经元组成的信息处理网络具有并行分布结构。每个神经元具有单一输出，并且能够与其它神经元连接；存在许多（多重）输出连接方法，每种连接方法对应一个连接权系数。严格地说，人工神经网络是一种具有下列特性的有向图： （１）对于每个节点存在一个状态变量xi； （２）从节点i至节点j，存在一个连接权系数； （３）对于每个节点，存在一个阈值j； （４）对于每个节点，定义一个变换函数,对于最一般的情况，此函数取形式。 1.4 人工神经网络的主要学习算法 神经网络主要通过两种学习算法进行训练，即指导式（有师）学习算法和非指导式（无师）学习算法。此外，还存在第三种学习算法，即强化学习算法；可把它看做有师学习的一种特例。 （１）有师学习 有师学习算法能够根据期望的和实际的网络输出(对应于给定输入)间的差来调整神经元间连接的强度或权。因此，有师学习需要有个老师或导师来提供期望或目标输出信号。有师学习算法的例子包括规则、广义规则或反向传播算法以及LVQ算法等。 （２）无师学习 无师学习算法不需要知道期望输出。在训练过程中，只要向神经网络提供输入模式，神经网络就能够自动地适应连接权，以便按相似特征把输入模式分组聚集。无师学习算法的例子包括Kohonen算法和Carpenter-Grossberg自适应共振理论（ART）等。 （３）强化学习 如前所述，强化学习是有师学习的特例。它不需要老师给出目标输出。强化学习算法采用一个“评论员”来评价与给定输入相对应的神。 2. 人工神经网络模型在机械工程领域中的应用 2.1 人工神经网络在工况监测、预报和控制中的应用 制造过程的复杂性、随机性和不确定性,使其工况监测、预报和控制非常困难,这一直困扰着工程界。人工神经网络的非线性映射能力,对任意函数的逼近能力和并行高速计算能力, 为解决这类问题提供了有力工具。人工神经网络在这一过程的作用(见图3) 是通过检测与工况相关的一系列动态信号, 如应力场、温度场、噪声、振动、作用力、加速度等, 提取其特征参数, 作为人工神经网络的输入, 网络的输出则为所识别出的工艺系统的状态。若再配以合适的控制策略, 据此可做出相应的控制决策, 实现制造过程的在线控制。 图3 人工神经网络模型在工况监测中的作用 人工神经网络在使用之前必须进行训练,使之具有从信号特征到工况的非线性分类能力,从而建立动态参数与工况之间的映射关系。 从预测的角度应用人工神经网络, 并根据预测结果进行过程控制,以防患于未然,这实