神经网络诊断原理教学课件PPT.pptVIP

当权重不再调节时，对于Hebb规则 趋于X的均值；对于修正的Hebb2)规则 对于Hebb和修正的Hebb规则，其权解的最终放向与输入的相关阵C的最大特征值所对应的特征向量的方向一致或相反。 6.2无监督竞争学习 “胜者为王”的学习规则 图 竞争网络的结构 a 一般竞争结构 b 一种前向匹配竞争网络 即当 获胜时，调节权重使节点j以更大的可能性获胜即再输入 节点j所受刺激变为 上述调节，存在权重无限增长的缺陷，故权重规一化即令 也可只对和获胜节点的权矢量进行调节。 神经网络诊断原理 1概述 人工神经网络在故障诊断领域的主要应用方面： 从模式识别角度应用神经网络作为分类器进行故障诊断； 从预测角度应用神经网络作为动态预测模型进行故障诊断； 从知识处理角度建立基于神经网络的诊断专家系统。 2 人工神经网络的拓扑结构及学习规则 2.1 生物神经元与人工神经元模型 为阈值 为神经元的激活水平 为权重 神经元的激活函数 神经元模型的数学描述 （7.1） (7.2) 2.2 人工神经网络的拓扑结构 不含反馈的前向网络 它包括三个单层的输入层、隐含层和输出层。 应用：多层感知器（MLP）、误差反向传播 算法（BP算法） 反馈网络 特点：具有相当丰富的动态特性，从某一初始 状态开始，网络需经过若干次的状态变化，才能到达某种平衡状态 应用：贺蒲费特（Hopfield）网络、全互联网络等 图 人工神经网络的拓扑结构a 前向神经网络 b 全互联网络 c 输出反馈网络 d 状态反馈网络 2.3人工神经网络的学习规则 人工神经网络最有价值的特性是它的自适应能力，而这种能力是通过学习或训练实现的。 学习规则类别： 有指导学习 如纠错规则，随机学习规则 无指导学习 如相关规则，竞争学习规则 强化学习 特别指出，在工程实践中，上述学习方法并不是相互冲突的，可以相互融合。 3 多层前向神经网络模型及BP算法 3.1 BP网络模型 BP网络的故障诊断模型利用的是BP网络的泛函逼近能力。既一个具有任意压缩型激活函数的单隐层前向网络，只要有充分多的隐层单元，就可以以任意精度逼近任意一个有限维的波莱尔可测函数。 对多层次前向网络： （7.3） 注意： 不能为线性函数，否则整个网络只相当于一个单层网络。 3.2 BP算法 BP算法 1、BP算法的基本思想是，学习过程由信号的正向传播与误差的反向传播两个过程组成，以实现网络输出和期望输出间的均方误差最小化。 1）正向传播：输入样本－输入层－各隐层（处理）－输出层 注：若输出层实际输出与期望输出（教师信号）不符，则转入2）（误差反向传播过程） 2）误差反向传播：输出误差（某种形式）－隐层（逐层）－输入层 其主要目的是将误差信号沿原来的连接通路返回，修改各层的权重，使得误差信号最小。 对单样本学习的BP算法由推到可知第L-1层的信号误差 是由输出层的误差信号 经输出层权重 反向传播计算所得。 （7.11） （7.12） 为学习率； 为L-1层的输出矢量； 为误差信号。 对多样本学习问题有两种处理方法: