结构健康监测数据处理办法技术应用.ppt

* * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * Dalian University of Technology * 4.6人工神经网络 人工神经网络的研究内容 （1）理论研究：ANN模型及其学习算法，试图从数学上描述ANN的动力学过程，建立相应的ANN模型，在该模型的基础上，对于给定的学习样本，找出一种能以较快的速度和较高的精度调整神经元间互连权值，使系统达到稳定状态，满足学习要求的算法。 （2）实现技术的研究：探讨利用电子、光学、生物等技术实现神经计算机的途径。 （3）应用的研究：探讨如何应用ANN解决实际问题，如模式识别、故障检测、智能机器人等。 Dalian University of Technology * 4.6人工神经网络 人工神经网络研究的发展 (1)第一次热潮(40-60年代未) 1943年,美国心理学家W.McCulloch和数学家W.Pitts在提出了一个简单的神经元模型，即MP模型。1958年，F.Rosenblatt等研制出了感知机(Perceptron）。 (2)低潮(70-80年代初) (3)第二次热潮 1982年，美国物理学家J.J.Hopfield提出Hopfield模型，它是一个互联的非线性动力学网络他解决问题的方法是一种反复运算的动态过程,这是符号逻辑处理方法所不具备的性质. 1987年首届国际ANN大会在圣地亚哥召开，国际ANN联合会成立，创办了多种ANN国际刊物。1990年12月，北京召开首届学术会议。 Dalian University of Technology * 4.6人工神经网络 人工神经网络的优点 人工神经网络只不过是另一种计算机建模工具而已，但与一些传统的计算机建模方法相比，具有一些明显的优点。这些优点包括： 自适应性：人工神经网络具有对周围环境的自适应或学习的能力。当给人工神经网络以输入-输出模式时，它可以通过自我调整使误差达到最小，即通过训练进行学习。 容错性：在输入-输出模式中混入错误信息，对整体不会带来严重的影响。与传统的经验曲线拟合模型相比，人工神经网络对噪声和不完整信息的敏感程度要低。 模式识别性能：人工神经网络能够很好地完成多变量模式识别。 外推性：人工神经网络有较好的外推性，即从训练中，从部分样本中学到的知识推广到全体祥本。 自动抽提功能：人工神经网络能通过采用直接的(有时是不精确的)数值数据进行训练，并能自动地确定原因-结果关系。 在线应用的潜力：人工神经网络的训练可能要花费大量的时间，但训练一旦完成，它们就能从给定的输入很快地计算出结果。 Dalian University of Technology * 4.6人工神经网络 人工神经网络的局限： 训练时间长：人工神经网络需要长时间的训练，有时可能使之变得不实用。大多数简单问题的网络训练需要至少上千次迭代，复杂问题的训练可能需要多达数万次迭代。根据网络的大小，训练过程可能需要主机时间几个到几十个小时。 需大量训练数据：人工神经网络在很大程度上取决于训练时关于问题的输入-输出数据，若只有少量输入-输出数据，一般不考虑使用人工神经网络。 不能保证最佳结果：反向传播是调整网络的一个富有创造性的方法，但它并不能保证网络能恰当地工作。训练可能导致网络发生偏离，使之在一些操作区域内结果准确，而在其他区域则不准确。 不能保证完全可靠：尽管这一点对所有的计算问题均适用，但对人工神经网络尤其如此。例如在故障诊断中，对于某些故障，误诊率可能只有1%，而对同一问题的其他故障，误诊率可能高达33%。 Dalian University of Technology * 4.6人工神经网络 神经元及神经网络结构 常用的多输入人工神经元模型如下图所示，神经元由输入向量p、权值W、求和单元、传递函数f及阈值b组成。神经元有R个输入，分别为P1、P2，…PR。它们分别对应权值矩阵W的元素w1，1 w1，2 ，…， w1，R ，。权值模拟了生物神经元之间的连接强度，是一个相当重要的概念 Dalian University of Technology * 4.6人工神经网络 神经元及神经网络结构 对于上述所示的神经元模型，其阈值b与所输入的加权和累加，从而形成求和单元的输入 这个表达式也可以写成矩阵形式 其中单个神经元的权值矩阵W只有一列元素 神经元的输出可以写成 式中f——神经元的传递函数 Dalian University of Technology * 4.6人工神经网络 神经元及神经网络结构 可用于神经元的传递函