神经网络有几个模型 基于模糊推理神经网络的诊疗模型应用研究

《神经网络有几个模型 基于模糊推理神经网络的诊疗模型应用研究》由会员分享，可在线阅读，更多相关《神经网络有几个模型 基于模糊推理神经网络的诊疗模型应用研究（8页珍藏版）》请在装配图网上搜索。

1、神经网络有几个模型 基于模糊推理神经网络的诊疗模型应用研究 　　摘要：模糊推理系统能处理和利用不准确的知识，是一个有效的智能建模方法。不过模糊推理系统缺乏有效的设计方法。 本文通用神经网络的自适应性和诊疗的建模方法，建立了一个新的故障诊疗模型―模糊神经网络诊疗模型。 　　关键词：神经网络；故障诊疗；智能诊疗 　　中图分类号：TP389文件标识码：A文章编号：1009-304418-31690-02 　　The Application of Fault Diagnosis Based on Fuzzy Neural Networks 　　GAO Huan-zhi,LI Jun,L

2、I Fang 　　Abstract:Faintness" reasonning logically system can handle with make use of not accurate knowledge, is a kind of valid intelligence to set up a mold the faintness reason logically system to lack a valid design method. Thesis in general use nerve network of set up the mold method from the

3、adaptability and the diagnosis, build up a kind of new breakdown to examine a patient model-the misty nerve network examine a patient model. 　　Key words:Nerve network;Break down diagnosis;The intelligence examine a patient 　　1 模糊推理神经网络诊疗模型建立 　　通用网络模型自适应动态特征 　　比较两类经典的神经网络―前向BP网络和反馈Hopfied网络，能够发觉其

4、关键是单层神经网络，则两类网络能够用一个通用神经网络模型来描述。依据点集拓扑理论和人工神经网络空间概念，对这个通用神经网络模型的特征进行分析得出以下两个结论，证实从略［3］。 　　定理1神经网络空间在紧集上的连续函数空间C上和按L2范数在平方可积函数空间I上全部是稠密的。 　　推论1由通用神经网络模型所生成的任何开集能够一致迫近紧集上的连续映射函数f∈C。 　　由推论1表明，通用网络模型所概括的任何开集经过自学习全部能一致迫近紧集上的连续映射函数f∈C，因此含有良好的自学习、自适应动态特征。 　　诊疗建模方法 　　设xjn，对应反应设备运行状态第n个观察样本的k个特征参数，yin，对

5、应第n个样本的l种故障模式，共有N个样本xjn∈RN，yin∈RN，，则故障模式向量Y=｛yin，i=1，2，…，l｝和特征参数向量X=｛xjn，j=1，2，…，k｝间的内在关系用函数P表示，有：X=P。当N→∞时，函数P的逆函数存在，以函数S表示，有：Y=S 　　诊疗问题建模的实质就是依据有限的样本集，确定函数S的一等价映射关系SS，使得对于任意的ε＞0，满足： 　　‖S-SS‖=‖Y-YY‖＜ε 　　式中：YY=SS为模型输出，Y=S为标准输出，‖．‖为定义在样本空间R上的范数，ε表示了函数SS的映射精度。 　　参考数学基础中的相关连续的定义，针对诊疗建模问题得出以下3个结论，证实

6、从略［3］。 　　定理2对于机械诊疗问题，经过一定的数学变换，可得到X∈［0，1］k，Y∈［0，1］l，若映射S为定义在［0，1］k到［0，1］l上的实连续函数，又［0，1］k为RN的紧密子集，则映射S就能表征机械诊疗问题，即：Y=S 　　定理3对于机械诊疗问题Y=S，其中X∈［0，1］k，Y∈［0，1］l，若存在映射SS，使得对于有限样本集N中任意的X0∈[0,1]k有： 　　则映射SS建立了诊疗问题的数学模型。 　　推论3若映射SS一致迫近定义在紧集［0，1］k上的实连续函数，则映射SS建立了诊疗问题的数学模型。 　　模糊神经网络诊疗模型 　　基于通用神经网络模型的自适应动态特

7、征，依据推论3的结论，通用网络模型所概括的任何开集全部能作为诊疗问题的数学模型。即对某一详细诊疗问题，配以对应的网络模型，经过网络自学习就能迫近诊疗问题本身的映射关系。同时考虑诊疗问题存在着不可逆性，须采取模糊方法给予处理， 本文建立了图1所表示的模糊神经网络诊疗模型。 　　图1 模糊神经网络诊疗模型 　　2 模糊推理神经网络诊疗模型的基础属性 　　智能诊疗机理 　　模糊神经网络诊疗模型是一个基于知识的诊疗，它属于人工智能诊疗的范围。通常地，人工智能诊疗系统应包含有以下多个方面的内容：对诊疗领域的现有知识进行学习、抽象、概括，以形成该领域的特有知识，并按一定存贮方法存入知识库；在对详细

8、对象进行诊疗识别时，应对该对象进行了解以取得足够的有关该对象的故障征兆信息，并对这些信息进行分析，提出以形成有价值的特征；将该诊疗对象的特征模式和知识库中的模式相匹配，并进行推理分析，以得出是否存在故障，故障的性质、部位、严重程度怎样等。 　　从上所述的模糊神经网络诊疗模型建立，足以表明它含有人工智能诊疗的通常属性和基础内容，而且在知识产生、表示、获取及推理诸方面含有自己的独特之处。 　　在知识产生方面，它不但含有对诊疗领域现有知识的汇编，而且包含了计算机数字仿真生成知识的内容。能够用传输矩阵法建立机组振动响应力学模型，经过数值模拟得到常见故障的振动响应分布，再引入转子系统传输函数的概念，

9、生成反应机组故障作用位置的传输函数矩阵，最终经过转置变换，即得到知识集。 　　在知识表示方面，它表现为浅层和深层两种形式，面向教授、知识工程师和用户的原始知识，经过LSFS模型的数学处理后得到部分学习范例，本文称之为浅知识。这种知识形式易于表示模糊性和不确定性；浅知识经过网络自学习转化为网络的内部编码，分布在网络结构上，最终是用大量神经元的互连方法及对各连接权重的分布来表示特定的概念或知识，这种形式是一个深层的隐含表示方法，本文称之为深知识或隐含知识。 　　在知识获取方面，针对知识表示的两种形式，它包含两个步骤。第一步是由原始知识转变为浅知识，经过LSFS模型来实现；第二步是将浅知识输入到

10、ANN模型中，经过网络的自学习实现知识的隐式表示。为此，模糊神经网络诊疗模型的知识获取应该包含知识的本身产生、网络结构选择、学习样本的组织、使用特定学习算法对网络训练以得到所需的权值分布4个基础内容。不难看出，这种知识获取方法存在：网络结构、权值和详细的某一案例联络不紧密，它们是一群样本或说很多案例的综合作用的结果；网络的最终输出结果通常为［0，1］之间的值，含有一定的模糊诊疗能力；当某种过程发生改变时，原始知识的产生、学习范例的组织全部发生改变，经过修正网络和再学习，改变了过程就会很快地被学习和表示出来。 　　本文为全文原貌 未安装PDF浏览器用户请先下载安装 原版全文　　在知识推理方面，

11、它关键表现在ANN模型的信息分类处理过程。通常由以下三部分组成：将逻辑概念引入到输入模式的变换中，并依据论域的特点，确定变换规则，再依据对应规则，将现在的状态变换成神经网络的输入模式；网络经过前向计算或动态演化，即可产生神经网络的输出模式；伴随论域的不一样，必需根据对应的规则对输出模式进行解释。解释的关键目标是将数值向量转换成高层逻辑概念。 　　不难看出，这种知识推理方法不使用清楚语言描述分类逻辑标准，而只是经过数值向量的相同性来确定分类标准，且这种相同性的程度隐含在网络的权值分布上。所以，它有利于表示不确定性推理机制和自适应推理机制。 　　突出特点 　　模糊神经网络诊疗模型重视了原始知

12、识的产生问题。从某种意义上看，它表现了“正问题”求解和“反问题”求解相结合的诊疗策略;同时为丰富原始知识的内容、研究原始知识的产生方法铺平了道路。 　　模糊神经网络诊疗模型考虑了大机组故障诊疗中的不可逆性问题。它采取模糊方法组织学习样本，从而使诊疗模型能以模糊估量的方法给出诊疗结果，含有模糊诊疗能力。 　　模糊神经网络诊疗模型采取通用神经网络模型，使得它所概括的常见网络模型全部能充当诊疗模型中的ANN模型。因为ANN模型负担了诊疗知识的隐式存放和特征数据信息的分类识其余主要角色，它是整个诊疗模型的关键。因此模糊神经网络诊疗模型的形式多样，诊疗能力强。 　　模糊神经网络诊疗模型重视了诊疗中

13、特征提取的主要作用。现在，特征提取方面的技术发展很活跃，它的每一进步，经过改进原始知识的产生内容和提升故障特征信息的正确度来影响诊疗模型的诊疗效果。 　　模型神经网络诊疗模型是一个基于知识的通用诊疗模型，它适合大机组故障诊疗中所包含的任何基础诊疗问题。针对某一详细诊疗问题，能够选择对应的FKP、LSFS、ANN、CE模型，即能组成一个智能型的诊疗系统。 　　3 工程应用 　　基于上述，从中取出可能存在的7种故障标准信息。传统BP网络在进行诊疗时，先人为组织网络训练样本，且训练样本的输出取为0，1值，即在表示本身频谱的故障位置赋1，不然赋0；而模糊神经网络诊疗模型则经过LSFS模型组织网络

14、训练样本，其结果训练样本的输出取值于区间[0,1]。在初始条件完全相同的情况下，将各自的训练样本集分别输入同一结构的网络进行训练得出图2所表示的训练误差曲线比较图。 　　由图2能够发觉，在一个误差精度要求不高的区域里，即系统误差error＞时，传统BP网络的收敛速度低于模糊神经网络诊疗模型，因为此精度区域通常没有工程意义，故不做分析讨论；而在误差精度要求高的区域里，传统BP网络的收敛速度却高于模糊神经网络诊疗模型。这是因为传统BP网络的训练样本输出仅简单取为0，1值，而模糊神经网络诊疗模型训练样本的输出取值于区间［0，1］，此相当于对输出进行了编码，从而增加了隐层节点的附加工作来完成这种编码功效，甚至需要增加隐层节点数或增加隐层才能满足要求。 　　图2 传统BP网络和模糊神经网络诊疗模型训练误差曲线比较 　　4 结论 　　基于以上的分析、叙述表明，本文所建立的模糊神经网络诊疗模型理论，不论从建立的理论基础、方法体系，还是从建立的结果看，它全部是正确的；且它在原始知识的产生方法、学习样本的合理组织和在网络模型的自适应选择方面全部含有突出特点。经过理论分析和工程实际应用表明，该模型理论的应用能提升诊疗精度，含有诊疗功效强、智能化程度高、便于实用推广的特点。