神经网络讨论稿精要.ppt

BP—RBF神经网络在核电厂故障诊断中的应用 姚君霞 1106008 主要内容： 1 BP神经网络 2 RBF神经网络 3 BP与RBF混合网络诊断系统的结构 4 仿真实验验证 5 结论 在核电厂运行过程中，当发生扰动或出现行动在很大程度上取决于操作人员对运行状态和异常情况的识别能力。然而，当操作人员获得的状态信息不真实、不完整或不确定时，有可能导致误操作。因此，要求有更有效的智能诊断技术和推理手段，帮助操作人员发现核电厂故障的早期症兆，尽可能准确地确定发生的故障，以及故障对系统总体安全的影响，并帮助操作人员做出正确决策，指导操作人员进行应急操作。 随着人工神经网络(ANN)技术的兴起和发展，神经网络在核动力领域开始获得应用本工作研究将BP神经网络和RBF神经网络进行混合，对核电厂典型故障进行诊断，有效发挥各自的优势，并弥补不足，以满足核电厂诊断准确性、实时性和可扩充性的要求。 1 BP神经网络 故障诊断领域用得最多也最有成效的是BP神经网络。该网络具有良好的分类能力，网络结构较为简单，训练算法也容易实现，且训练在本质上是1个多变量函数的寻优过程。网络训练好之后，在诊断时只需进行1次前向计算即可产生结果，计算速度很快，所需的计算时间几乎可忽略不计。3层BP神经网络结构示于图1。 为加快BP算法的收敛速度，这里采用在迭代过程中根据训练误差的大小自适应地调整神经元输出特性参数口的办法来改善训练速度。 BP网络采用的激活函数为Sigmoid函数 式中，a为可调参数，其值影响Sigmoid函数的陡峭程度，a较大时，曲线较平缓，a较小时，则较陡峭。在普通BP算法中，a为固定值，一般a=1。 调整方法为：开始设定较大的a，迭代时，使口为网络总训练误差￡的增函数，当￡较大时，口也取较大，使权值调整量也较大，有利于快速向极小点靠近，且可防止神经元的输出达到饱和；当e较小时，n也取较小，使权值调整量也变小，有利于防止振荡。对于神经元特性参数口由大到小的调整，是使Sigmoid函数由平缓变得陡峭，使神经元输出向两极靠拢。实验表明，采用以上措施后能有效提高算法的收敛速度。 此改进算法的效果可由图2说明。图2为一维情况的误差曲线，E点为全局最小点，C点为局部最小点。当寻优到A点时，如果步长固定，一般为一较小的数，这样，下一寻优点就会只到B点，最终会落人局部最小点C。而用改进算法时，由于A点处误差较大，因此，步长量也较大，下一次寻优就会到D点，越过由局部最小点形成的势垒，当接近全局最小点E时，由于此时误差已较小，计算步长也相应变小，最终可收敛到全局最小点E。 2 RBF神经网络 径向基函数(radial basis function，RBF)神经网络是另一类常用的3层前馈网络，也可用于函数逼近及分类。与BP网络相比，RBF网络不仅有生理学基础，且结构简洁，学习速度更快。BP网络的隐节点基函数采用线性函数，激活函数则采用Sigmoid函数或硬极限函数。与BP网络不同，RBF网络最显著的特点是隐节点的基函数采用距离函数(如欧式距离)，并使用径向基函数(如Gaussian函数)作为激活函数。径向基函数关于n维空间的1个中心点具有径向对称性，而且，神经元的输入离该中心点越远，神经元的激活程度就越低。 1个BP网络诊断单元可同时用于诊断多个故障，但其误诊率相对较高。与BP网络不同，RBF网络隐含层节点采用高斯核函数。该函数对输入数据将在局部产生响应，即当输入数据靠近高斯核函数的中心时，隐含层节点产生较大的输出；反之，则产生较小的输出[6]。可见，RBF网络有着很好的局部性能，诊断单个故障的能力优于BP网络，只需用单一特定故障的数据构造RBF网络即可实现只针对这种故障的诊断。 本工作所用的RBF网络为3层前馈神经网络，1个RBF网络仅用于诊断单一故障。RBF网络模型的基本结构示于图3。 由于RBF网络只用于识别单一故障，因此，输出层只有1个节点，用于判断故障是否发生，运算过程比较简单，只是将中间层的所有输出值取最大值作为本层输出。 从网络的计算过程可看出，由于使用正态核函数，只有当输入向量与某个中间节点的权重系数向量比较接近时，网络输出值才比较接近于1，否则，输出值接近于0。所以，RBF网络的局部性能比较好，即网络仅识别已学习过的样本局