电力设备状态检测与故障诊断

在上图所示神经网络系统中，假定单元 是j 输出层中的一个典 型单元，而单元 是i前面一层中的一个典型单元。在给定了初 始权值和输入样本值后，后一层中的单元首先从前层单元接 收输入激励 ：net j
net j oi wij i
式中： 是oi 前层中第 个i 单元的活性水平（亦称为活跃值）；
是前wij层中第 个单i元同后层第 个单元j 间的连接权值。
自从上世纪40年代提出“神经元”的概念以来，神经网络科学的研究与 发展经历了两次高潮：
第一次高潮发生在40年代～60年代末，主要是提出了一系列的数学模 拟理论，以及一些利用电子器件进行电子模拟的动物模型。这段时期的 人工神经网络大都是单层线性网络；
第二次高潮开始于1982年，其标志是第一个非线性动力系统的神经网
神经元
突起
神经细胞体
（接收和处理信息）
轴突
（末端分裂为许多分支）
树突
（收集来自其它神经元的的生物电信号）
突触
（向其它神经元发送生物电信息）
突触
（向其它神经元发送生物电信息）
由此可见，人脑神经网络的结构具有并行、分布的特点，信息的处 理与存储是通过大量的神经元的分布来实现的，因而具有极高的容 错能力、快速的推理能力和强大的联想能力，与传统的冯•诺依曼 式串行计算机的处理方式有着根本的不同。
-- y输j0出层中某单元的活跃值；
-- 该d j0单元在该样本下的理想输出。
为了使网络能在给定的输入下得到给定的输出，就必须调整网 络的权值，神经网络对知识的表示完全是通过其权值分布来实 现的，权值调整的目的就是使网络输出尽可能接近于样本输出， 即使网络输出与理论输出间的误差最小。
对网络权值的调整，必须满足使系统误差减少这个原则，因此， 就必须求出误差对权值的灵敏度，据此来调整网络的权值才能 使系统误差减小。而反向传播算法是目前计算这个灵敏度所使 用的最为广泛的算法。
然后，该单元使用总加权输入的某个作用函数来计算活跃
值 o。j 对非线性网络，目前一般使用Sigmoid 函数：
1 o j 1 enetj
这样，网络结点的活跃值便可以逐层传至输出结点。
当确定了所有输出单元的活跃值之后，网络误差便可依下式得出
E
1 2
(
j0
y
j0
d
j0
)2
式中：E -- 网络误差；
电力设备
状态检测与故障诊断
3．5 神经网络识别方法
人工神经网络的工作原理来源于人类的大脑，其结构、学习算 法、性能分析都是模拟大脑工作的产物。神经网络作为一个分 析工具，已被证明可以出色地把专家的知识结合到数学的框架 中，同时又能综合统计学的方法而几乎对信号和噪声的统计特 征无要求，而且能够识别与分析任意非线性、时变系统。由于 神经元网络所具有的优点，近年来在模型辨识、控制器设计、 优化操作、故障分析与诊断等领域得到广泛的研究与应用。
人工神经元网络对知识的掌握是通过对样本的学习来实现的。通过 对大量的实例样本的学习，网络用尝试错误法来不断减少错误和修 正权值、阈值，从而掌握蕴含于样本集中的难以用解析形式表达的 知识，网络通过权值的调整来记下所学过的样本，并掌握输入和输 出间的关系。推理演绎的学习方法是人才具有的，是逻辑思维的范 畴。根据美国心理学家桑代克的学习理论，尝试错误法学习是一般 动物的本能，因而是真正的直觉思维。
人工神经网络系统是对人类大脑神经网络系统的一种物理结构上 的模拟，即以计算机仿真的方法，从物理结构上模拟人脑，以使系 统具有人脑的某些智能。
人工神经网络从网络拓扑上可以看成是以神经元为结点，用加权有向 弧连结而成的有向图。其中:
▪ 以神经元节点PE（Processing Element）来模拟人类大脑的神经细胞;
（Soma）和突起（Process）两部分。神经细胞体不仅是新陈代谢的中 心，而且还是接收与处理信息的部件；突起有两类，即轴突（Axon）与 树突（Dendrite）。
树突 轴突 突触
神经细胞
神经元中轴突的末端分裂为许多分枝，这些分枝称为突触（Synapse），
神经元通过突触向其它神经元发送生物电信息；神经元通过树突收集来 自其它神经元的生物电信号。通过“轴突―突触―树突”的途径，某一个 神经元就有可能和数百个以至更多的神经元沟通信息，从而实现各神经 元间的信息传递。
目前，不确定推理方法的难点在于先验数据和证据间关系的组 合上，采用人工神经网络方法就可以不受这些限制，因为只需 了解样本集，其余一切由尝试错误式的学习来解决，这其实就 是将本来由人类专家主观给出的东西交由计算机从样本中体会 了，因而更具有实际意义。
Fra Baidu bibliotek
2、感知器模型
▪ 以神经元节点间的连结强度来模拟人脑神经中树突与轴突的作用; ▪ 用作用函数来模拟突触的作用;
人工神经网络系统的结构如图所示。
x1 输 x2
x3 入 x4
x5
隐层
A1
A2 A3
(a) 网络结构
y1 输 y2 出
O1
w1
w2 O2
x wioi i
f
1
1 e
x
(b) 作用函数
人工神经网络结构
系统由输入节点层、隐节点层、输出节点层和层间节点的连接所 组成: ▪ 输入节点层各节点分别表示输入数据的一项，其节点个数与输入 数据的维数一致； ▪ 输出节点层则对应于输出数据，与期望输出值的维数相一致； ▪ 隐节点层则为中间过渡节点层，参与从输入到输出的变换，可以 不止一层，相当于增加了映射的次数。 层间节点通过作用强度连接，从输入到输出的节点值的传播是由 连接强度和作用函数来实现的，作用函数将节点收集到的输入作 非线性变换，从而使网络具有非线性。
络理论模型“Hopfield 模型”的提出。Hopfield 模型不仅对人工神经
网络信息存贮和提取功能进行了非线性数学概括，提出了动力方程和学 习方程，还对网络算法提供了重要公式和参数，使神经网络的构造和学 习有了理论指导，从而引发了第二次神经网络研究的高潮，并延续至今。
1、神经网络的基本概念 人类大脑的神经网络系统是由许多细小的神经网络细胞单元（简称“神 经元”，数量约为1011→1012个）所组成，它们相互连接构成人类大脑 中立体的神经网络系统。 在这个系统中，最基本的单元是神经元。每一个神经元包括神经细胞体