第六章 人工神经元计算方法

第六章人工神经元计算方法

第一节概述

神经网络－模式识别

引例：水果分类的问题（识别不同的水果）

说明：1. 对水果的分类，是一个模式的识别问题。而对机械运行状态的判断，也是一个模式识别，因此可以使用神经网络进行判断。

2. 为神经网络提供数值参量（形状、大小、成分等），就可以得

到对应的种类属性（苹果、桔子）。因此，使用各种信号数据参

数作为输入，也可以获得机械运行状态的属性参量。

3. 权值相量、判断标准、误差输入可以不断的修正。

三.具体实例

通过该例，说明网络建立、训练、识别的过程

问题的提出

齿轮传动在运行过程中经常会出现各种类型的故障，

如齿面擦伤、胶合、点蚀、裂纹、局部断齿等，均会引

起振动烈度增加。如何根据所测振动信号自动识别故障

的类型，是目前齿轮故障诊断研究的一个重点内容，属

于模式识别问题。

本节介绍以小波分析为基础，采用神经网络识别点蚀

故障的方法。

三. 具体实例

齿轮点蚀故障的小波神经网络识别

三. 具体实例

齿轮点蚀故障的小波神经网络识别

神经网络理论的应用取得了令人瞩目的发展，特别是在人工智能、自动控制、计算机科学、信息处理、机器人、模式识别、CAD/CAM等方面都有重大的应用实例。下面列出一些主要应用领域：

（1）模式识别和图像处理。语音识别、签字识别、指纹识别、人体病理分析、目标检测与识别等。

（2）控制和优化。机械过程控制、机器人运动控制、金属探伤、故障

分析等。

（3）预报和智能信息管理。股票市场预测、地震预报、有价证券管理、借贷风险分析、IC卡管理和交通管理。

一、什么是人工神经元计算

人的大脑是众所周知的最复杂的计算“装置”，其强大的思考、记忆和解决问题的能力激发了许多科学工作者去尝试建立人脑的计算模型。经过近半个多世纪的努力，形成了人工神经元计算理论。

1.模拟人脑神经元是脑神经系统中最基本的细胞单元。每个神经元都是一个简单的微处理单元，其接受和综合许多其它神经元通过所谓树突的输入结构传来的信号，并将输出信号沿着轴突向外传送。这种信号传递本质上是一个化学过程，但其信号是可以测量的。

1.2 神经细胞与生物神经网络1. 神经网络组织形式

大脑中大约有100亿个神经元，它们相互连接，形成一个复杂庞大的网络系统。因此大脑的结构是一个神经（元）网络。根据估计，每个神经元大约与上千个神经元相互连接。

大脑所形成的神经网络是由一些小的网络连接而成。根据估计，所有神经元被安排到约1000个主要的功能模块，每个功能模块大约有上百个神经网络，每个网络约有10万个神经元。信息的传递

从一个神经元到另一个神经元；从一个网络到另一个网络；从一个模块到另一个模块。

2. 人工神经元网络

在人工神经元网络中，模拟生物神经元的单元一般称为神经元。一个神经元有许多输入通道（树突），它通常用简单求和的方式对所有输入值进行合成操作。操作结果是神经元的一个内部激发值，由传递函数作进一步的修改。传递函数可以是阈值函数，只有当激发值达到一定水平时才输出

细胞体

突触

轴突

树突

图12.2 生物神经元功能模型

输入

输出

信息处理电脉冲

形成

传输

信号。传递函数也可以是合成输入的连续函数。传递函数的输出值接传送到神经元的输出通道。常用传递函数形式如下所示。

*即为神经元的I /O 特性，常用的神经元I /O 特性有以下三种：

(f)

神经元的信号处理过程如图6-2所示。

神经元的输出通道可通过一个相应的权，输入到神经元的信号在求和前进进行权操作。因此，和函数实际上是一个加权和。

Wj1 神经元

Wj2

输出

. . Wjn .

联结权

图6-2神经元的计算模型

神经元网络由许多相互联结在一起的神经元所组成。神经元按层进行

组织，连续两层之间全部或随机联结。通常有两层与外界联系即输入与输出层，其他层称为隐层。

细胞体突触

轴突树突

图12.2 生物神经元功能模型

输入

输出

信息处理

电脉冲

形成

传输

求和 传递 函数

3.网络计算

神经元网络的计算分两个阶段——学习和记忆。

网络学习，即对网络进行训练，是一个根据施加在输入层与输出层的刺激来调整网络联结权的计算过程。输出层的刺激对应于给定输入之期望响应，必须由有经验的“教师”给出。这种学习称为有导师的学习。

二、人工神经元计算的特点

神经元计算不同事传统的计算与人工智能，主要现在如下几个方面：1. 样本学习

传统专家系统（一种模拟人类专家解决领域问题的计算机程序系统）的知识是用规则的形式给出的。神经网络与专家系统不同，其规则是由样本学习形成的。其中学习规则是根据样本输入及期望输出来调整网络联结权的方法。

2. 分布联想记忆

神经元计算网络的一个重要特征是其储存信息的方式。神经元计算是分布记忆的，联结权为神经网络的记忆单元，权值体现了网络知识的当前状态。由一对输入—期望输出样本表示的一条知识分布在网络的多个记忆单元里，与储存在网络内的其他条知识共享这些记忆单元。

3. 容错特性

传统的计算系统只要损坏少量的记忆单元，就不能正常工作。神经元计算系统则是能容错的。容错是一些神经元破坏损伤后或联结少许再变差一点。神经元计算系统之所以能够容错，是因为信息不是储存在一个地方，