基于BP神經(jīng)網(wǎng)絡(luò)的智能故障診斷及其改進(jìn)算法研究

FreePowerpointTemplates基于BP神經(jīng)網(wǎng)絡(luò)的故障診斷及其改進(jìn)算法的研究目錄人工神經(jīng)網(wǎng)絡(luò)BP神經(jīng)網(wǎng)絡(luò)算法動(dòng)量-自適應(yīng)學(xué)習(xí)率BP算法及其仿真人工神經(jīng)網(wǎng)絡(luò)人工神經(jīng)網(wǎng)絡(luò)（ANN）是受生物神經(jīng)網(wǎng)絡(luò)的啟發(fā)構(gòu)造而成，它是在對生物神經(jīng)網(wǎng)絡(luò)記憶的信息是存儲(chǔ)在神經(jīng)元之間認(rèn)識(shí)的基礎(chǔ)上，把分子和細(xì)胞技術(shù)所達(dá)到的微觀層次與行為研究所達(dá)到的系統(tǒng)層次結(jié)合起來。以數(shù)學(xué)和物理方法以及信息處理的角度對人腦神經(jīng)網(wǎng)絡(luò)進(jìn)行抽象，并建立某種簡化模型，稱為人工神經(jīng)網(wǎng)絡(luò)。人工神經(jīng)網(wǎng)絡(luò)ANN由簡單的神經(jīng)元(信息處理單元)互聯(lián)組成，能接受并處理信息。雖然單個(gè)神經(jīng)元只能進(jìn)行十分簡單的信息處理，但多個(gè)神經(jīng)元連接而成的網(wǎng)絡(luò)卻具有強(qiáng)大的計(jì)算能力。網(wǎng)絡(luò)的信息處理是由處理單元之間的相互作用實(shí)現(xiàn)。改變神經(jīng)元之間的連接方式和連接強(qiáng)度就可以改變神經(jīng)網(wǎng)絡(luò)的計(jì)算效果，知識(shí)與信息的存儲(chǔ)，則表現(xiàn)為處理單元之間分布式的物理聯(lián)系。人工神經(jīng)網(wǎng)絡(luò)基于神經(jīng)網(wǎng)絡(luò)的智能故障診斷和其他智能故障診斷的優(yōu)勢1）分布式存儲(chǔ)2）很強(qiáng)的自學(xué)習(xí)能力和對環(huán)境的自適應(yīng)能力3）診斷耗時(shí)少4）易建模5）抗干擾6）信息融合性佳人工神經(jīng)網(wǎng)絡(luò)神經(jīng)網(wǎng)絡(luò)的拓?fù)浣Y(jié)構(gòu)人工神經(jīng)網(wǎng)絡(luò)神經(jīng)網(wǎng)絡(luò)的學(xué)習(xí)規(guī)則目前學(xué)習(xí)算法的學(xué)習(xí)規(guī)則一般可以分為三類有指導(dǎo)學(xué)習(xí)規(guī)則、無指導(dǎo)學(xué)習(xí)規(guī)則、增強(qiáng)學(xué)習(xí)規(guī)則有指導(dǎo)學(xué)習(xí)網(wǎng)絡(luò)是神經(jīng)網(wǎng)絡(luò)發(fā)展的主流其中具有代表性的有：Hebb規(guī)則，Delta規(guī)則，梯度下降學(xué)習(xí)規(guī)則。BP神經(jīng)網(wǎng)絡(luò)算法1986年Rumelhart，Hinton和Williams完整而簡明地提出一種ANN的誤差反向傳播訓(xùn)練算法（簡稱BP算法），系統(tǒng)地解決了多層網(wǎng)絡(luò)中隱含單元連接權(quán)的學(xué)習(xí)問題，由此算法構(gòu)成的網(wǎng)絡(luò)我們稱為BP網(wǎng)絡(luò)。BP網(wǎng)絡(luò)是前向反饋網(wǎng)絡(luò)的一種，也是當(dāng)前應(yīng)用最為廣泛的一種網(wǎng)絡(luò)。BP神經(jīng)網(wǎng)絡(luò)算法BP神經(jīng)網(wǎng)絡(luò)算法的實(shí)現(xiàn)過程誤差反傳算法的主要思想是把學(xué)習(xí)過程分為兩個(gè)階段：第一階段（正向傳播過程），給出輸入信息通過輸入層經(jīng)隱含層處理并計(jì)算每個(gè)單元的實(shí)際輸出值第二階段（反向過程），若在輸出層未能得到期望的輸出值，則逐層遞歸地計(jì)算實(shí)際輸出與期望輸出之差值（即誤差）BP神經(jīng)網(wǎng)絡(luò)算法BP神經(jīng)網(wǎng)絡(luò)算法的實(shí)現(xiàn)過程BP神經(jīng)網(wǎng)絡(luò)算法標(biāo)準(zhǔn)BP神經(jīng)網(wǎng)絡(luò)算法標(biāo)準(zhǔn)的BP算法是基于梯度下降法，通過計(jì)算目標(biāo)函數(shù)對網(wǎng)絡(luò)權(quán)值和閾值進(jìn)行修正的。改進(jìn)算法大多是在標(biāo)準(zhǔn)梯度下降法的基礎(chǔ)上發(fā)展起來的，它們只用到目標(biāo)函數(shù)對權(quán)值和閾值的一階導(dǎo)數(shù)（梯度）信息。在標(biāo)準(zhǔn)BP算法中，設(shè)k為迭代次數(shù)，則每一層權(quán)值和閾值的修正按下式進(jìn)行

式中：x(k)為第k次迭代各層次之間的連接權(quán)向量或閾值向量。BP神經(jīng)網(wǎng)絡(luò)算法標(biāo)準(zhǔn)BP神經(jīng)網(wǎng)絡(luò)算法BP網(wǎng)絡(luò)在解決未知系統(tǒng)控制問題上有一定的優(yōu)勢：不需要進(jìn)行復(fù)雜的控制器設(shè)計(jì)，也不需要深?yuàn)W的理論推斷，但是由于BP網(wǎng)絡(luò)本身存在的一些缺陷，如，會(huì)陷入局部最小點(diǎn)，使得控制精度不是很理想，這從仿真結(jié)果可以看到。用這種方法來解決未知系統(tǒng)控制問題存在的一系列問題還有待進(jìn)一步研究完善。BP神經(jīng)網(wǎng)絡(luò)算法BP神經(jīng)網(wǎng)絡(luò)算法的改進(jìn)1.模擬退火算法(SimulatedAnealing,SA)來源于固體退火原理,先隨機(jī)產(chǎn)生一個(gè)解,對當(dāng)前解重復(fù)“產(chǎn)生新解→計(jì)算目標(biāo)函數(shù)差→接受或舍棄”的迭代2.附加動(dòng)量項(xiàng)法它的實(shí)質(zhì)就是改變學(xué)習(xí)率來提高網(wǎng)絡(luò)性能BP神經(jīng)網(wǎng)絡(luò)算法BP神經(jīng)網(wǎng)絡(luò)算法的改進(jìn)3.自適應(yīng)學(xué)習(xí)率法

該方法被認(rèn)為是一種最簡單最有效的方法。在BP算法中，連接權(quán)的調(diào)整決定于學(xué)習(xí)速率和梯度，但是，在基本BP算法中，學(xué)習(xí)速率是不變的。實(shí)際上學(xué)習(xí)速率對收斂速度的影響也很大，通過對它的在線調(diào)整，可以大大提高收斂速度。動(dòng)量-自適應(yīng)學(xué)習(xí)率BP算法動(dòng)量-自適應(yīng)學(xué)習(xí)率BP算法采用了動(dòng)量法和學(xué)習(xí)率自適應(yīng)調(diào)整的策略,從而提高了學(xué)習(xí)速度并增加了算法的可靠性。動(dòng)量法降低了網(wǎng)絡(luò)對于誤差曲面局部細(xì)節(jié)的敏感性,有效地抑制網(wǎng)絡(luò)陷入局部極小。動(dòng)量法權(quán)值調(diào)整算法為:w(k+1)=w(k)+Α[(1-γ)D(k)+γD(k-1)]自適應(yīng)調(diào)整學(xué)習(xí)率的權(quán)值調(diào)整算法為:w(k+1)=w(k)+Α(k)D(k)動(dòng)量-自適應(yīng)學(xué)習(xí)率BP算法當(dāng)連續(xù)兩次迭代其梯度方向相同時(shí),表示下降太慢,這時(shí)可使學(xué)習(xí)率加倍;當(dāng)連續(xù)兩次迭代其梯度方向相反時(shí),表示下降過頭,這時(shí)可使學(xué)習(xí)率減半。