智能控制导论大作业1介绍.docVIP

智能控制导论 姓 名 ******** 学 院 专 业 控制科学与工程 班 级 *************** 学 号 ********* 指导老师 ******** 二〇一六年六月十八 故障诊断中基于神经网络的特征提取方法研究 摘要：对文章《》，分析了的优缺点，1 对附录文章的概括总结 1.1基于神经网络的特征评价 附录文章是以电路检测与故障诊断为背景，提取重要的特征参数，对电路的工作状态进行定量描述。为满足工程需要，附录文章利用神经网络进行特征选择时主要以特征参数的灵敏度作为其评价指标。学习误差为E=，定义E为评价特征提取的准则函数,则当E 满足要求时, B P 网络第1 隐层的输出值即为提取 得到的新特征。学习误差公式实现了新特征空间到原始特征空间的反映射, 给出该反映射后产生的误差大小。 1.2基于BP网络的特征提取 1.2.1 特征提取的概念 特征提取是利用已有的特征参数构造1 个较低维数的特征空间, 将原始特征中蕴含的有用信息映射到少数几个特征上, 忽略多数的不相干信息。从数学意义上讲,就是1 个n 维向量x =进行降维变换至低维向量Y =,m n。其中Y 确实含有向量X 的主要特性。 1.2.2 BP神经网络 BP神经网络是1986年由Rumelhart和McCelland为首的科学家小组提出，是一种按误差逆传播算法训练的多层前馈网络，是目前应用最广泛的神经网络模型之一。BP神经网络能学习和存贮大量的输入—输出模式映射关系，而无需事前揭示描述这种映射关系的数学方程。它的学习规则是使用最速下降法，通过反向传播来不断调整网络的权值和阈值，使网络的误差平方和最小。BP神经网络模型拓扑结构包括输入层、隐层和输出层。 1.2.3 基于BP神经网络特征提取的步骤 （1）对原始特征值进行归一化处理; （2）选择B P 网络模型结构参数, 输入和输出单元数等于原始特征参数的维数, 第l 隐层单元数等于新特征参数的维数, 一般选隐层数为1; （3）选择合适的神经网络学习参数, 以保证较高的收敛精度; （4）利用误差反传法训练B P 网络, 通常满足系统特征提取性能下误差所需的精度即可; （5）将原始特征参数的所有样本输入训练好的B P网络, 进行前向计算, 求出B P 网络第1 隐层各单元的输出值，即得到所提取的特征参数。 1.2.4 BP神经网络的优点 （1）网络实质上实现了一个从输入到输出的映射功能，而数学理论已经证明它具有实现任何复杂非线性映射的功能。这使得它特别适合于求解内部机制复杂的问题； （2）网络能通过学习带动正确答案的实例集自动提取合理的求解规则，即具有自学习能力； （3）网络具有一定的推广、概况能力。 1.2.5 BP神经网络的缺点 （1）由于学习速率是固定的，因此网络的收敛速度慢，需要较长的训练时间。对于一些复杂问题，BP算法需要的训练时间可能非常长，这主要是由于学习速率太小造成的，可采用变化的学习速率或自适应的学习速率加以改进。 BP算法可以使权值收敛到某个值，但并不保证其为?误差平面的全局最小值，这是因为采用梯度下降法可能产生一个局部最小值。对于这个问题，可以采用附加动量法来解决。 网络隐含层的层数和单元数的选择尚无理论上的指导，一般是根据经验或者通过反复实验确定。因此，网络往往存在很大的冗余性，在一定程度上也增加了网络学习的负担。 网络的学习和记忆具有不稳定性。也就是说，如果增加了学习样本，训练好的网络就需要从头开始训练，对于以前的权值和阈值是没有记忆的。但是可以将预测、分类或聚类做的比较好的权值保存。 FractalDimension)定义:是一个用以描述分形特征的重要参数,其重要性在于分形维数能够用数据描述,更重要的是分形维数能通过实验手段近似地得出,比如:如果将正方形每条边长放大3倍,那么就得到一个相当于个原来的正方形;若将正方体每边长放大3倍,那么就会得到一个相当于个原来的正方体。依次推广,对于一个d维几何形态将其每个独立方向都增加为原来度量的c倍,那么就会得到相当于了个原来的几何形态。对于上面的关系取对数后有以下形式: 如果按同样方式将一个对象缩小,ε为缩小倍数,则有以下形式: (1) 上式中的d对于一般分形而言，其结果往往不是整数，则d被称为分形维数D。 分形维数的计算一般是利用最小二乘拟合方法,来对曲线数据点进行拟合,求得其斜