bp网络输入数据的归一化方法.docxVIP

bp网络输入数据的归一化方法 0 bp网络的运行 机故障诊断的本质是对设备状态的分类，这是识别技术在机械工程领域的延伸。基于模式识别的BP神经网络是一种采用误差反向传播训练算法的多层前向神经网络,其理论依据坚实、推导过程严谨、物理概念清晰、通用性强,具有较强的自学习能力,能够解决非线性模式识别问题,因而在机械故障诊断中得到了广泛应用。BP网络的输入与输出之间可以看成是一个高度非线性映射的关系:如果输入节点数为N,输出节点数为M,网络是从N维欧氏空间到M维欧氏空间的映射。这种映射是通过输入层与隐层之间、隐层与隐层之间以及隐层与输出层之间的激活函数将各层的输入经激活作用后输出来实现的,常用的激活函数是Sigmoid函数f(x)=11+e?xf(x)=11+e-x。根据Sigmoid型函数的特点,在输入层一般需要将输入向量进行归一化后才能作为网络的输入量,这样做的目的一是将不同参量去量纲化和缩小数值差别,二是使网络快速收敛。本文基于BP神经网络在机械故障诊断中的应用实践,研究了BP神经网络输入向量的归一化方法,提出了一种联合归一化的新方法,从网络的输入方面来提高网络的收敛速度和诊断精度。 1 bp神经网络 图1为BP神经网络的结构图。输入向量经网络前向传播计算后得到一个输出向量,与标准输出向量比较,若偏差太大,则反向传播计算修改连接网络的权值WN×S、WS×M,使网络实际输出与期望输出