基于人工神经网络的智能诊断系统new

《基于人工神经网络的智能诊断系统new》由会员上传分享，免费在线阅读，更多相关内容在教育资源-天天文库。

1、计算机系统应用’•••年第‘期基于人工神经网络的智能诊断系统ˆ®®©¤³‰赵凤芝包锋ˆ大庆石油学院计算机系秦皇岛•––••”‰摘要š本文论述了一个基于人工神经网络ˆ¡ÒÔÉÆÉÃÉÁÌ®ÅÕÒÁÌ®ÅÔ×ÏÒËÓ‰的智能诊断系统ˆ®®©¤³‰的设计思想!总体结构及实现的基本原理Œ为解决智能诊断问题提供了一种有效途径"系统具有知识自动获取!识别速度快!橹棒性及容错能力强等特点"关键词š人工神经网络ˆ¡®®‰智能系统诊断¥³人工智能ˆ¡©Œ¡ÒÔÉÆÉÃÉÁÌ©ÎÔÅÌÌÉÇÅÎÃʼn作为计算机应在本系统中Œ用

2、户总控模块主要功能是对整个系统用领域的一个重要分支Œ已经广泛地应用于医学!勘探!进行协调控制Œ使整个系统成为既独立又统一的整体Œ同工程!生产!国防等各个领域"但在诸如专家系统ˆ¥³‰时担负着系统的输入•输出等人•)机交互的桥梁与纽等智能系统中Œ知识获取的/瓶颈0问题在很大程度上阻带作用Œ它是一个操作直观灵活!方便!易于维护!友好的碍着¡©在实际问题中的应用"近年来Œ由于人工神经网用户界面›数据库主要存储一些原始输入的有关数据及系统运行过程中所产生的所有数据信息等›知识库一部络ˆ¡ÒÔÉÆÉÃÉÁÌ®ÅÕÒÁ

3、Ì®ÅÔ×ÏÒËÓ‰的兴起Œ将神经网络技术分存储典型实例的信息Œ一部分存储网络的权重及以产与专家系统相结合是解决智能系统中这一难题的有效途生式规则的形式表示的与故障之间的关系›神经网络子径"鉴于此Œ本文提出了一种基于神经网络的智能诊断系统用于知识的学习和获取即对典型故障类型的学习训系统ˆ®®©¤³‰Œ适合于诊断领域的自动诊断"练与识别›推理机制负责将神经网络的输出结果与知识库中的一般知识相结合作出故障推理诊断›用户解释负一!®®©¤³系统的结构设计责对诊断结果作出说明!解释Œ回答用户提问及系统的有本系统设计

4、了一个集神经网络!数据融合!专家系统关说明Œ系统最后给出针对故障应该采取的措施和建议"于一体的高效智能诊断系统基本框架ˆ如图‘所示‰"整整个系统将神经网络识别与专家系统的推理判断能个系统包括用户总控界面!数据库ˆ¤¢‰!知识库ˆ«¢‰!推力相结合得出诊断结果"理机!神经网络子系统!解释机构六个最基本结构"二!系统实现的思想原理利用神经网络的可学习性确定网络中的加权值Œ以这些权值作为不确定性因子Œ进行不确定性网络计算"即应用人工神经网络构造状态分类器Œ而用基于知识的专家系统技术来指导状态识别过程中的特征获取!

5、模式解释与评价及高层决策等问题的求解"将¡®®与¥³相结合Œ相互补充共同实现目标问题的诊断"三!神经网络系统的构造与实现在基于¡®®的智能诊断系统中Œ神经网络系统是整个系统的核心Œ系统的知识获取及推理主要通过神经网络系统来完成"故障诊断实际上主要是一种模式识别和分类的问题"由于神经网络的巨量并行处理!信息的分布式存储!信息的处理与存储的合二为一性!自组织学习的特点Œ适合于故障诊断方面的应用"绝大多数神经网络模型都具有故障分类及模式识别能力Œ比较典型的有¢°网!«¯2¨¯®¥®网!¨¯°¦©¥¬¤网!°¥²£

6、¥°´²¯®网等"¢°¤¢š数据库«¢š知识库ˆ¢ÁÃË°ÒÏÐÁÇÁÔÉÏΉ网是目前应用最广泛!比较成熟的神图‘系统总体结构图经网络模型之一"标准¢°网的基本结构有三层Œ各层)‘™)’•••年第‘期计算机系统应用次的神经元之间形成全互连连接Œ各层次内的神经元之过程自动增加或减少该值"如果误差¥减小G的值将增间无连接"其中输入层主要是网的数据输入Œ隐层则相加Œ反之Œ如果误差¥增大G的值将减小"当于一个复杂的非线性函数Œ输出层则输出最终结果Œ可网络的训练过程如图’所示Œ训练过程中的参数在以是一个Œ也可以是多

7、个"这里动态显示出来Œ用户可随时观测训练程度"在训练该系统中每个神经网络识别子系统都由多层¢°网过程中可随时修改/学习参数0Œ即可以中断训练并能使组成Œ经过多个样本训练后完成对故障类型的识别分类系统继续执行"诊断"网络的训练对整个系统的成败起着至关重要的作系统工具š本系统以©ÃÏÎ图标的形式提供了几种工用Œ因此Œ典型样本和实际样本要兼顾选择使用Œ以保证具Œ可以完成网络训练及识别结果的保存!控制训练的进系统的快速与容错性能"由于神经网络基于数值计算Œ程及输出权值分布图表等"所以在网络训练前要完成数据的预处理Œ

8、目的是使各种训练算法的调整方案参数无量纲归一化Œ以适合于网络的要求"采用梯度下降法的¢°算法Œ速度较慢Œ不保证收敛神经网络实现的界面如图’所示"到全局极小Œ原因在于š一方面它采用固定的学习速度ˆ¬ÅÁÒÎÉÎÇÒÁÔʼnŒ即采取定步长的搜索Œ对于非突性函数Œ很有可能在搜索时跨过全局极小点而不能保持单调递减的性质›另一方面Œ每个节点采用固定参数的激励函数Œ也不利于快速搜索"鉴于此Œ应用时采用动态调整学习速度Œ修改动