神经网络的学习方式

开篇：润墨网以专业的文秘视角，为您筛选了八篇神经网络的学习方式范文，如需获取更多写作素材，在线客服老师一对一协助。欢迎您的阅读与分享！

神经网络的学习方式范文第1篇

关键词：BP神经网络 动量因子法 变步长法 学习速率

1.引言

人工神经网络（Artificial Neural Networks，ANN）是通过对人脑神经元建模、联结模拟生物脑或世界系统的网络模型，是一种具有学习、记忆和模式识别等智能信息处理功能的人工系统。通常研究和使用的十种神经网络模型中，人们较多用的是Hopfield网络、BP网络、Kohonen网络和ART网络模型。其中的BP神经网络是基于反向传播（BackPropagation）的网络，也是神经网络领域中研究最多、应用最广的网络模型。它采用最小均方差的学习方式，可用于函数逼近及语言综合、识别和自适应控制等。

2.标准BP神经网络算法

BP算法作为前馈网络的主要学习算法，对神经网络的推广应用起了举足轻重的促进作用。标准的BP网络，优化计算的方法很多，比较典型的是采用一阶梯度法，即最速下降法。在BP神经网络训练中，主要是针对一定的输入，所得到的输出是否与期望输出接近，即误差的代价函数达到最小。其简单的实现步骤为：（1）通过网络输入反向传播；（2）通过网络将敏感性反向传播；（3）使用近似均方误差的BP算法更新权值和偏置值。

标准的BP算法因具有简单、易行、计算量小及并行性强等优点，是目前神经网络训练采用最多、最成熟的训练算法。由于BP网络中待寻优的参数太多，往往导致算法收敛速度慢。对于复杂问题，训练过程需迭代几千、几万次才能收敛到期望的精度。因此，标准的BP网络在很大程度上实用性不强，尤其对于实时性很强的系统而言。

3.BP算法的改进

BP多层前馈网络已成为神经网络的重要模型之一，但实际上的BP多层前馈网络并不是利用标准的BP算法对网络进行训练的，而是对BP算法进行了启发式改进。

（1）增加动量因子法

BP算法的神经网络的误差曲面具有不同的区域有不同的误差改变率的特点。假若开始训练的学习速率较高，那么算法的收敛速度可能很快。但当迭代进入的区域包含极小点时，此时算法发散，来回振荡，收敛不到极小值点。如果用平均改变参数的方法进行轨迹的过滤，就可以对震荡进行平滑并可产生稳定的轨迹。当动量滤波器的参数得到了改变，获取反向传播的动量，使用了动量项，可以在保证算法较为稳定的前提下，在网络训练进入局部最小值时产生一个继续向前的正向斜率运动，使得搜索能够跳出较浅的峰值；当网络搜索位于误差曲面平坦区的区域时，该方法能够较快地提高训练速度。

（2）变步长法

变步长法通过调整网络训练的学习率，故也称为可变学习速率的方法。BP算法中对连接权值的调整，取决于两个因子，即学习速率和梯度。其中通过调整学习速率提高算法收敛收率的方法，是当前认为最简单、有效的方法。学习率不能随意选取，选得太小，收敛会变慢；选得太大，可能调整过多，使得算法振荡或发散。所以，在对学习率进行调整时，一般遵循的准则是：首先检查修正值，看该值是否明显降低了误差。如果降低了，则学习率的值选取偏小，可以作为对学习率调整的参考；否则，学习率值调整过大，就应该对该值进行减小。增加可变速率参数后，得到改进的BP算法如下：

①如果整个训练集上的均方误差权值在更新后增加的，且该值超过了预设的某个百分数，如：1%～5%，则不对权值进行更新。学习速率被乘以一个大于零且小于1的因子，并且动量系数被设置为0。

②如果均方误差在权值更新后变小了，则接受权值更新。学习速度将被乘以一个大于1的因子。假若学习率被设置为0，则恢复之原来的值。

③如果均方误差的增长变小，则权值更新被接受，但学习速度保持不变。如果学习率过去被设置为0，则恢复到以前的值。

4.实验结果

分别对目标误差为0.001的网络训练。实验结果如下：

（1）采用标准BP网对样本进行训练，迭代次数近5000次尚未收敛。

（2）采用增加动量法，迭代375次，学习过程收敛。

（3）采用变步长法，迭代1728次收敛。

由此可见，未改进的标准BP学习算法存在收敛速度慢的缺陷；改进后的BP学习算法都从不同程度上提高了算法的收敛速度，训练的次数大大减小了。对BP算法采用启发式改进措施后，明显提高了学习速度。

神经网络的学习方式范文第2篇

关键词：计算机网络模型；神经网络算法

计算机网络在人们日常生活越来越重要，被广泛应用到各个行业。随着社会不断发展，人们需求不断加高，使计算机得到良好改善，目前，计算机网络运用集线式服务器来实现网络互连，促进网络发展。但是也有很大弊端，过多的联想信息虽然满足人们需求，但是对技术的要求也更加苛刻，现有的技术满足不了计算机网络运行，使人们日常操作不方便。为了解决这一问题，研究人员需要全面优化计算机网络，提高运行能力和性能，运用神经网络算法，使计算机更加适合现代社会发展，储存更多信息。

1神经网络算法概论分析

1.1神经网络算法整体概论神经网络算法是按照人体大脑的思维方式进行模拟，根据逻辑思维进行推理，将信息概念化形成人们认知的符号，呈现在显示屏前。根据逻辑符号按照一定模式进行指令构造，使计算机执行。目前，神经网络被广泛使用，使直观性的思维方式分布式存储信息，建立理论模型。优化网络的神经网络主要是Hop?eld神经网络，是1982年由美国物理学家提出的，它能够模拟神经网络的记忆机理，是全连接的神经网络。Hop?eld神经网络中的每个神经元都能够信号输出，还能够将信号通过其他神经元为自己反馈，那么其也称之为反馈性神经网络。

1.2优化神经网络基本基础Hop?eld神经网络是通过能量函数分析系统，结合储存系统和二元系统的神经网络，Hop?eld神经网络能收敛到稳定的平衡状态，并以其认为样本信息，具备联想记忆能力，使某种残缺信息进行回想还原，回忆成完整信息。但是Hop?eld神经网络记忆储存量有限，而且大多数信息是不稳定的，合理优化计算机联想问题，使Hop?eld神经网络能够建设模型。

1.3神经网络算法优化步骤简述人工神经网络是模拟思维，大多是根据逻辑思维进行简化，创造指令使计算机执行。神经网络算法是按照人体思维进行建设，通过反应问题的方法来表述神经思维的解；利用有效条件和能量参数来构造网络系统，使神经网络算法更加可靠；大多数动态信息需要神经网络来根据动态方程计算，得出数据参数来进行储存。

2神经网络算法的特点与应用

2.1神经网络主要特点神经网络是根据不同组件来模拟生物体思维的功能，而神经网络算法是其中一种程序，将信息概念化，按照一定人们认知的符号来编程指令，使计算机执行，应用于不同研究和工程领域。神经网络在结构上是由处理单元组成，模拟人体大脑神经单元，虽然每个单元处理问题比较简单，但是单元进行组合可以对复杂问题进行预知和处理的能力，还可以进行计算，解决问题能力突出，能够运用在计算机上，可以提高计算机运算准确度，从而保障计算机运行能力。而且一般神经网络有较强容错性，不同单元的微小损伤并不阻碍整体网络运行，如果有部分单元受到损伤，只会制约运算速度，并不妨碍准确度，神经网络在整体性能上能够正常工作。同时，神经网络主干部分受到损伤，部分单元会进行独立计算，依然能够正常工作。

2.2神经网络信息记忆能力神经网络信息存储能力非常强，整体单元组合进行分布式存储。目前，神经网络算法是单元互相连接，形成非线性动态系统，每个单元存储信息较少，大量单元互相结合存储信息大量增加。神经网络具备学习能力，通过学习可以得到神经网络连接结构，在进行日常图像识别时，神经网络会根据输入的识别功能进行自主学习，过后在输入相同图像，神经网络会自动识别。自主学习能力给神经网络带来重要意义，能够使神经网络不断成长，对人们未来日常工作能够很好预测，满足人们的需求。

2.3神经网络的突出优点近年来，人工神经网络得到越来越多人重视，使神经网络得到足够资源进行良好创新。人工神经网络是由大量基本元件构成，对人脑功能的部分特性进行模仿和简化，人工神经网络具备复杂线性关系，与一般计算机相比，在构成原理和功能特点更加先进，人工神经网络并不是按照程序来进行层次运算，而是能够适应环境，根据人们提供的数据进行模拟和分析，完成某种运算。人工神经系统具备优良容错性，由于大量信息存储在神经单元中，进行分布式存储，当信息受到损害时，人工神经系统也可以正常运行。人工神经网络必须要有学习准则制约来能够自主学习，然后进行工作。目前，人工神经网络已经逐步具备自适应和自组织能力，在学习或训练过程中改变突触权重值，以适应周围环境的要求。通过一定学习方式和某些规则，人工神经网络可以自动发现环境特征和规律性，更贴近人脑某些特征。采用并行分布处理方法，使得快速进行大量运算成为可能。神经网络的一个很大的优点是很容易在并行计算机上实现，可以把神经的节点分配到不同的CPU上并行计算。钱艺等提出了一种神经网络并行处理器的体系结构，能以较高的并行度实现典型的前馈网络如BP网络和典型的反馈网络(如Hop?eld网络)的算法。该算法以SIMD(SingleInstructionMultipleData)为主要计算结构，结合这两种网络算法的特点设计了一维脉动阵列和全连通的互连网络，能够方便灵活地实现处理单元之间的数据共享。结合粒子群优化算法和个体网络的并行学习机制，提出了一种基于粒子群优化的并行学习神经网络集成构造方法。

3结束语

全球化的发展，信息交流不断加快，促使各个行业相互融合。神经网络算法具备简单、稳定等不同优势，神经网络研究内容相当广泛，神经网络算法能够与其它算法相互结合，在一定程度提高计算机网络模型运算能力。但是计算机网络模型中神经网络算法学习能力比较低下，梯度下降法不准确，所以需要有关人员进行深度研究，探索神经网络算法，使其更加完善，从而保证计算机整体性能的提高。

参考文献：

[1]陈竺.计算机网络连接增强优化中的神经网络算法[J].电子技术与软件工程,2014(19).

神经网络的学习方式范文第3篇

关键词：曲面加工 极坐标变换展开 神经网络 封闭曲线拟合

中图分类号：TH741 文献标识码：A 文章编号：1007-9416（2014）05-0108-01

1 绪论

目前曲面加工方法主要有等参数线轨迹法，截平面法[1]，等残留高度法[2]，空间填充曲线法等方法。

截平面法由于对刀具和机床的性能要求不高，在快速成型设备以及经济型数控机床上应用广泛。经数据采集的实物曲面模型，由于点云数据杂乱，使得生成的截平面曲线精度低。本文采用坐标变换的方法，解决平面闭合曲线不能直接拟合的问题。

2 加工轨迹的路径优化

2.1 坐标变换

计算给定截平面封闭曲线的重心（，），平移整个曲线到以（，）为原点的坐标系下，有

成立，其中的（x，y）为给定平面曲线轨迹，（，）为平移后的截平面曲线轨迹。把所得曲线映射到极坐标空间下，得到极坐标曲线

其中，为极坐标半径，为极角。

将极坐标系下的r作为直角坐标系下的Y，α作为直角坐标系下的X，在直角坐标系下拟合，拟合后的曲线经过变换，把该曲线转换回原直角坐标系下。变换方法可利用公式

2.2 BP神经网络拟合方法

对上面所得变换曲线进行拟合，BP神经网络的基本模型为三层神经网络，中间结构为隐含层[3]。该神经网络的输出函数为：

其中，，是神经元的输入和输出的连接权，p是隐含层节点数，为阈值。该网络的传递函数取Sigmoid函数：

其中，表示各神经细胞的阈值，为平缓参数。来自神经网络各个节点的输入，采用梯度下降法修改权值的学习方式，有

其中为学习效率，>0，为二次型误差函数，为各个细胞连接的权值。

3 实验及仿真分析

取刀具轨迹的一部分作为仿真实验对象，对其进行极坐标变换、极坐标展开、BP神经网络拟合以及转换回直角坐标系，得到图像如图1所示。

对比直接在直角坐标系下进行BP神经网络拟合，得到如图2所示误差拟合曲线对比。

可以看出，经过极坐标变换的神经网络拟合误差曲线略优于直接在直角坐标系下进行的拟合误差曲线。

4 结语

本文通过极坐标变换和神经网络拟合的方法，解决了截平面闭合曲线不能直接拟合的问题。通过对比仿真实验，发现该方法优于直接利用直角坐标系下的已知点对曲线拟合。从而为进一步路径规划提供了更优化的点集。

参考文献

[1]Bobrow JE.NC machining tool path generation from CSG part puter-Aid Design 1985，17：69-76.

神经网络的学习方式范文第4篇

关键词：神经网络；应用研究

中图分类号：TP393文献标识码：A文章编号：1009-3044(2008)22-635-02

Application of Neural Network Study

WANG Ying1,LI Bing-fu2

(1.Information Science and Technology College,Zhanjiang Normal College,Zhanjiang 524048,China;2.Registry,Information Science and Technology College,Zhanjiang Normal College,Zhanjiang 524048,China)

Abstract:The study of the purpose of Artificial Neural Network,from the neural network of research and advantages, and other aspects proceed, the statement focused on neural networks in the economic field, the food industry, environmental science and engineering applications.

Key words: Neural Networks; Applied Research

1 引言

人工神经网络（Artificial Neural Network， ANN）简称神经网络，是由具有适应性的简单单元组成的广泛并行互连的网络，它的组织能够模拟生物神经系统对真实世界物体所做出的交互反应，并利用机器模仿人类的智能是长期以来人们认识自然、改造自然和认识自身的理想。研究人工神经网络的主要目的包括：探索和模拟人的感觉、思维和行为的规律，设计具有人类智能的计算机系统；探讨人脑的智能活动，用物化了的智能来考察和研究人脑智能的物质过程及其规律。

2 神经网络（ANN）的研究内容

1)理论研究：ANN模型及其学习算法，试图从数学上描述ANN的动力学过程，建立相应的ANN模型，在该模型的基础上，对于给定的学习样本，找出一种能以较快的速度和较高的精度调整神经元间互连权值，使系统达到稳定状态，满足学习要求的算法；2)实现技术的研究：探讨利用电子、光学、生物等技术实现神经计算机的途径；3)应用的研究：探讨如何应用ANN解决实际问题，如模式识别、故障检测、智能机器人等;4)基本模型如图1示。

■

图1生物神经元功能模型

3 神经网络（ANN）的研究在各领域的优缺点

人工神经网络的理论研究和应用研究已取得丰硕成果，对于在各领域的应用具有以下优点：1)学习能力：人工神经网络具有学习的能力，通过学习，人工神经网络具有很好的输入-输出映射能力。学习方式可分为：有导师学习（Learning With a Teacher）和无导师学习（Learning Without a Teacher）；2)容错性：容错包括空间上的容错、时间上的容错和故障检测。容错性是生物神经网络所具有的特性，靠硬件或软件实现的人工神经网络也具有容错性。由于在人工神经网络中信息存储具有分布特性，这意味着局部的损害会使人工神经网络的运行适度地减弱，但不会产生灾难性的后果；3)适应性：人工神经网络具有调整权值以适应变化的能力，尤其是在特定环境中训练的神经网络能很容易地被再次训练以处理条件的变化，这反映了人工神经网络的适应性；4)并行分布处理：采用并行分布处理方法，同时由于计算机硬件的迅猛发展，使得快速进行大量运算成为可能；5)仿真软件的逐步完善：人工神经网络仿真软件的逐步完善，将人们从繁琐的编程中解放出来，同时也为人工神经网络在各领域的应用研究提供了可进行分析和预测的能力。

缺点：研究受到脑科学研究成果的限制；缺少一个完整、成熟的理论体系；研究带有浓厚的策略和经验色彩；与传统技术的接口不成熟。

4 神经网络在各领域的应用研究探讨

4.1 神经网络在经济领域的应用研究探讨

神经网络在经济领域的应用主要有：1)价格预测影响商品和服务：价格变动的因素是复杂、多变的，传统的统计经济学方法存在不适合动态系统、建模复杂等局限性，难以对价格变动做出科学的预测，人工神经网络容易处理不完整的、模糊不确定或规律性不明显的数据，所以用人工神经网络进行价格预测是可行的，且有着传统方法无法比拟的优势；2)风险评估：风险是由于从事某项特定活动过程中存在的不确定性而产生的经济或财务的损失、自然破坏或损伤的可能性。防范风险的最好办法就是事先对风险做出科学的预测和评估，传统的专家评估依赖于专家的经验，存在着人为和主观的因素，人工神经网络的预测思想是建立风险来源和风险评价系数的非线性映射，提供定量的解决方案，弥补了主观评估的不足。商业银行的风险管理问题是我国加入WTO后的一个突出问题。目前，信用风险仍然是我国商业银行最主要的风险。我国商业银行目前正处在转轨时期，用传统方法评估信用风险难以达到满意的效果，而神经网络学习能力强，容错性好，具有很强的鲁棒性，适合评价信息不全的系统。根据我国的具体现实，运用人工神经网络技术，构造出适合中国的信用风险模型，并对某国有银行提供的数据进行了实证研究。

4.2 神经网络在食品工业中的应用研究探讨

神经网络在食品工业中的应用研究主要有：1)外来物的探测：对食品中偶尔混入极少量的外来物采用先进的仪器探测方法，如X射线衍射，可较为快速而准确地检测出食品中夹带的外来物。仪器探测法产生大量的测量数据可以利用分析运算方法能快速地从大量的数据中找出差异而判别出外来物，从而提高生产的效率。分析方法很多，但目前较为有效的是ANN法――例如对于软质外来物如木屑和塑料，在X射线数据上外来物与食品原料的差异很小，情况更为复杂，很难做出判别。根据ANN自学习自适应的特点，不是只采用一个简单的ANN，而是构造了一组子网络。让每一子网络用来识别一种外来物，各自训练子网络，然后将结果最后融合输入一个决策单元，让决策单元决定食品是否合格；2)掺假食品的鉴别：掺假物是人为地故意地加入食品中，可根据不同食品初步估计加入的掺假物的种类，选用相应的检测方法，并结合ANN算法对测量数据分析，可获得较满意的结果；3)分类与分级：果蔬外观特征很多，随季节、产地和品种不同而不同，可抽取主要特征，再运用ANN模式识别算法进行分类。颜色往往是衡量果蔬外部品质的一个重要指标，也间接反映果蔬的成熟度和内部品质，高品质的果蔬一般着色好。此外，ANN除可进行果蔬分类（分级）外，还可以对肉类分级。从肉类的图像处理数据中提取“大理石纹值”（marbling score，表征脊肉中脂肪分布密度）来表征肉类质量，运用三层前向型ANN进行模式识别，效果令人满意；4)加工过程的仿真与控制：食品加工过程总是难以规范地操作，因为食品物料的性质与季节、产地与气候紧密地联系，同是由于缺乏合适的传感器或不足够和不精确的在线测量，以及食品的物性的时变性。在传统的过程仿真中，需要建立假设、简化和大量的参数用来建立数学模型，这有可能与实际情况相差很远。因此，具有对非线性和非稳态系统有强处理能力的ANN尤适合应用于食品加工；5)感观评价与预测、食品配方设计等：以往常用的建模方法是多元回归法，但是在多因子、非线性的条件下多元回归法并不适用。ANN则有效地解决这一问题。采用ANN先对已有的27组数据进行拟合；然后用ANN进行模拟，输入各种配方成分的含量，ANN就会输出预测结果，从中挑选出最佳的配方。

4.3 神经网络在环境科学与工程中的应用探讨

神经网络在环境科学与工程中的应用主要有：1)环境质量评价；2)环境系统因素预测；3)环境因素定量关系模拟构效分析、成因分析；4)污染防治系统建模。由于BP神经网络具有优良的非线性逼近能力，1994年以来，已在环境科学与工程的环境质量评价与预测、监测点的优化布置、社会经济环境可持续发展、污染物降解与释放、水（处理、生态）系统的模拟与预测等方面获得了广泛的应用。

5 结束语

由于神经网络学科的范围涉及很广泛，文中仅在那些有发展前途的领域中，列举出少数几个方向，应该说明的是，除了上述列举的以外，还有形形的、规模可观的研究工作正在进行，其未来的发展必将是激动人心的。神经网络理论的前沿问题必将渗透在21世纪科学的挑战性问题中，并将取得重大的突破。

参考文献：

神经网络的学习方式范文第5篇

关键词： 坦克传动系统； 齿轮箱； 故障诊断； 递归神经网络

中图分类号： TN911?34 文献标识码： A 文章编号： 1004?373X（2013）20?0033?05

0 引 言

作为机械设备重要结构部件之一的齿轮箱，维修保养工作量大；由于容易受安装位置、运行工况等复杂因素的影响，故障与征兆间的关系不很明确，是非线性映射关系；且不解体诊断技术的实现也相当复杂。因此，齿轮箱的故障诊断是一个非常复杂的问题，对此技术的深入研究，具有重要的理论意义、学术价值和广阔的应用前景[1?2]。

作为一种有效的模式识别技术，BP神经网络模型具有其特定的优势：较强的自学习、自适应、联想记忆和非线性模式识别能力，在多故障、多征兆复杂模式识别方面显示出极大应用潜力，因而被广泛应用到齿轮箱故障诊断方面。标准BP神经网络具有一定的局限性：收敛速度太慢；不能保证收敛到最小点；学习记忆不稳定。

本文主要实现了某新型号坦克传动系统的齿轮箱的故障诊断。为实现齿轮箱的智能化故障诊断建立基础，首先从坦克齿轮箱的故障特点分析入手，然后研究了带有偏单元的递归神经网络理论，建立了基于带有偏单元的递归神经网络的齿轮箱故障诊断模型，最后，将数据采集器现场采集到的齿轮箱数据作预处理后的数据和人为设置了一些故障的数据分别用此模型进行分析判断，研究结果表明，带有偏单元的递归神经网络方法能够实现本型号坦克齿轮箱的满意的诊断结果。

1 齿轮箱的故障分析[3]

齿轮箱是各类机械的变速传动部件，其运行状况将直接影响整个机器或机组的工作。齿轮箱主要由轴承、齿轮和轴组成，因此齿轮箱的失效原因主要包括轴承失效、齿轮失效、轴失效、箱体失效等。且齿轮箱各部件失效的比例大致如下：齿轮60%，轴承19%，轴10%，箱体等其他11%。因此，本文主要分析齿轮箱中齿轮、轴承和轴的故障诊断。

1.1 滚动轴承的主要故障

滚动轴承经过一段时间的运转通常会出现疲劳剥落和磨损等现象影响机器的正常工作。滚动轴承常见的主要故障有：

（1）疲劳剥落：滚动轴承工作时，滚动和滚动体表面既承受载荷有相对滚动，又由于交变载荷的作用，首先在表面下一定深度（除最大剪应力处）形成裂纹，继而扩展到接触表层发生剥落坑，最后发展到大片剥落。在正常工作条件下，疲劳剥落往往是滚动轴承故障的主要原因；

（2）磨损：滚道和滚动体的相对运动（包括滚动和滑动）和尘埃异物的侵入等都会引起表面磨损，而当不良时更会加剧表面磨损；

（3）塑性变形：在工作负荷过重的情况下，轴承受到过大的冲击载荷或静载荷，或者因为热变形引起额外的载荷，或者当有高硬度的异物侵入时，都会在滚道表面上形成凹痕或划痕；

（4）腐蚀：当水分直接侵入轴承时就会引起轴承腐蚀，另一方面，当轴承停止工作时，轴承温度下降达到零点，空气中的水分凝结成水滴吸附在轴承的表面上会引起腐蚀，此外，当轴承内部有电流通过时，在滚道和滚动体之间的接触点处，电流通过很薄的油膜引起火化，使表面局部熔融，在表面上形成波纹状的凹凸不平；

（5）断裂：当载荷超过轴承滚道或滚动体的强度极限时会引起轴承零件的破裂；

（6）胶合：在不良，高速重载的情况下，由于摩擦发热，轴承零件可能在极短的时间内达到很高的温度，从而导致表面烧伤及损坏；

（7）保持架损坏：通常，由于装配或使用不当而引起保持架发生变形，从而就可能增加保持架与滚动体之间的摩擦，甚至使某种滚动体卡死而不能滚动，或保持架与内外滚道发生摩擦等均可能引起保持架损坏，这也使振动、噪声和发热增加。

综合滚动轴承的各种故障，其主要表现在内环、外环、滚珠或保持架等故障。

1.2 齿轮的常见故障[4]

齿轮是常见的传动零件，齿轮的各种失效及比例大致如下：断齿41%，点蚀31%，划痕10%，磨损10%，其他8%。

（1）轮齿断裂：有疲劳断裂和过负荷断裂两种，疲劳断裂，通常先从受力侧齿根产生龟裂、逐渐向齿端发展而致折断，而过负荷断裂是由于机械系统弧度的剧烈变化、轴系共振、轴承破损、轴弯曲等原因，使齿轮产生不正常的一段接触，载荷集中到齿面一端而引起；

（2）齿面磨损：金属微粒、污物、尘埃和沙粒等进入齿轮而导致材料磨损、齿面局部熔焊随之有撕裂的现象——擦伤等均属磨损的情况；

（3）齿面疲劳：齿面接触应力超过材料允许的疲劳极限，表面层先是产生细微裂纹，然后是小块剥落，直至严重时整个齿断裂；

（4）齿面塑性变形：如压碎、趋皱。

1.3 轴的常见故障[4]

轴的失效形式主要表现为轴不平衡、不对中和弯曲。轴产生较严重的不平衡问题主要来自于：

（1）制造过程中的问题，新轴产生的严重的不平衡现象；

（2）使用过程中的问题主要分为两方面，其一是轴在受到过大、瞬时冲击载荷作用时产生弯曲或永久变形，其二是轴长期在较大的偏载工况下工作因而疲劳产生永久变形。

2 带偏差单元的递归神经网络原理及算法实现[5]

2.1 BP神经网络结构

人工神经元模型如图1所示，神经网络就是由大量的神经元按一定的拓扑结构广泛连接而成，节点与节点之间的传输通路，称为“连接”。每一连接都具有一加权，或连接权，用于表示神经元的连接强度。

神经网络的结构一般包括输入层、输出层和隐层。输入层和输出层分别是用于接收输入信号，而隐层则用于对输入信号进行内部学习和处理。1989年Rober Hecht Nielson证明，一个具有三层计算单元的BP神经网络（其隐层采用Sigmoid型单元）可以以任意精度逼近任何连续函数，确定网络输入和输出间的非线性映射关系。BP网络结果如图2所示。在实际应用中，一般取隐含层为一层构成一个三层的BP网络，以减少计算量及避免网络结构复杂化。

BP算法采用梯度下降的最小方差学习方式，按广义规则改变权值，其基本原理是把相似模式的特征值提取出来，并映射到连接权值上，使学习后的网络在遇到一个新模式时，通过将该模式与已存在的各类模式的特征值相比较，从而判断出其类别。其缺点是：收敛数度太慢；不能保证收敛到最小点；学习记忆不稳定。

2.2 带偏差单元的递归神经网络算法实现

带偏差单元的递归神经网络算法学习流程图如图3所示，其实现过程具体如下：

（1）初始化；

（2）选区输入模式Ak，Yk提供给网络；

（3）用输入模式Ak，连接{Wij}计算中间层各单元的输入Sj，然后通过S函数计算中间各层各单元的输出{bj}

（4）用中间层的输入{bj}、连接权{Vji}计算输出各单元的输入{Lt}，然后用{Lt}通过S函数计算输出层的各单元的响应{C[kt]}；

（5）计算一般化训练误差；

（6）用中间层各单元的一般化误差修正连接权{Wij}，判断训练误差的精度要求；

（7）判断训练误差的精度要求，执行步骤（3）；

（8）转回到步骤（2）。因此，带偏差单元的递归神经网络正好弥补了BP神经网络的缺点。

3 基于带偏差单元的递归神经网络齿轮箱故障

诊断

3.1 带有偏单元的递归神经网络诊断模型的建立

神经网络用于故障分类诊断的流程图如图4表示。本研究中使用的输入层是27个神经元，其对应的测试点是11个，隐层神经元16个。用基于带有偏单元的递归神经网络来实现故障分类：表1所示是标准样本，当其中测试编码为1时代表有故障，且故障的各种特征参数的数据值在故障的范围内，当测试编码为0时代表无故障，且其各种特征参数的数据值在无故障范围内，如，表1中第二行的1代表存在第一种故障，其他的0代表无其他故障；网络输入及输出分别使用测试编码和故障编码，第一层和第二层的学习速率均取1.5，输入和输出偏差学习速率分别取1.0和3 100；带有偏单元的递归神经网络误差的收敛结果如图5所示，可以看出：网络学习到第八步时，其精度优于0.006，且随着训练步数的增加，误差呈收敛状态。

应用典型数据（包括有故障数据与无故障数据）分别对网络进行训练，并将训练好的网络冻结，然后将测试编码作为输入，使网络处于回想状态，结果见表2。

3.2 带有偏单元的递归神经网络诊断

本文使用我国某新型坦克，研究其齿轮箱的故障诊断。根据前面第3.1中对齿轮箱中常发生故障的部件的分析，选取轴承、齿轮和轴的典型故障，如外圈、内圈、滚珠、保持架故障、齿轮磨损、齿形误差、断齿、点蚀、轴弯曲、轴向窜动、轴不对中等11种故障为研究对象，并选取一种为正常情况。

诊断过程分两类：其一是采用本实验采集到的处理后的数据，使用带有偏单元的递归神经网络诊断模型判断其是否有故障，表3为模型的实际输出；其二是人为设置一些故障，通过带有偏单元的递归神经网络诊断模型判断其是否有故障并确定其故障类型，表4为实际输出与理论输出的比较。

结果分析：由表3可以看出，经过程序模型判断，现在坦克齿轮箱无故障，符合实际情况，本研究采集的是全新坦克数据。

从表4可以看出，实际判断的故障与模拟故障相吻合，并可确定前三组为单一故障分别为断齿、滚珠破损、外圈剥落。后三种分别为混合故障，且第四组为断齿和外圈剥落，第五组为断齿和滚珠破损，第六组为断齿、外圈剥落和滚珠破损。

因此，带偏差单元的递归神经网络在本型号坦克齿轮箱的故障诊断中不仅能对齿轮箱的单一故障做出正确的诊断，而且对混合故障也具有良好的识别能力。算法精度高，收敛性好。

4 结 语

本文对某型号坦克传动系统的齿轮箱的故障诊断是基于带偏差单元的递归神经网络模型的算法。以齿轮箱的常见故障为基础，以带偏差单元的递归神经网络模型为模式识别技术，实现了齿轮箱故障的有效诊断。本文的研究对其他领域故障诊断的成功率的进一步提高起到了积极地推动作用。

参考文献

[1] 马锐.齿轮箱的非线性故障机理研究及实验诊断[D].哈尔滨：哈尔滨工业大学，2012.

[2] 林近山，陈前.基于非平稳时间序列双指标特征的齿轮箱故障诊断[J].机械工程学报，2012，48（13）：108?114.

[3] 管森森.基于振动信号分析的齿轮箱故障诊断系统开发[D].北京：华北电力大学，2011.

[4] 赵军，张丹，王金光.齿轮箱的失效原因与振动诊断[J].中国修船，2008，21（5）：15?17.

神经网络的学习方式范文第6篇

关键词：萩芦溪；营养元素；主成分分析；BP神经网络

中图分类号：S522 文献标识码：A 文章编号：0439-8114（2013）14-3469-04

萩芦溪流域为福建省莆田市第二大河流，其自然环境优良，水资源丰富，流域内的外度水库、后溪水库和东方红水库保证了莆田市工业、农业生产用水和居民生活用水。然而，近年来由于畜禽两岸养殖业和种植业迅速发展，萩芦溪流域的水体环境和生态系统受到很大的威胁[1]。目前国内外对于流域、湖泊、库区等水环境质量评价方法较多，如模糊综合评价法[2]、分形理论[3]、随机评价[4]、灰色聚类法[5]、神经网络评价[6-10]等。在近年来水质监测数据的基础上，本研究基于BP神经网络，针对萩芦溪流域建立模型，对流域水质营养元素分布特征以及变化规律进行预测及分析，可为全面了解萩芦溪流域水体污染程度提供依据，同时也为萩芦溪流域经济可持续发展和水质改善提供科学的参考依据。

1 研究区概况

萩芦溪流域位于福建省莆田市北部，东经119°00′-119°12′，北纬25°29′-25°38′，发源于仙游县游洋镇，海拔805.8 m，河流自西北向东南流经庄边镇，于白沙镇的宝阳汇合，再流经白沙、萩芦，接纳三叉河，最后在江口镇注入兴化湾。萩芦溪干支流共长150 km2，集雨面积709 km2（其中莆田市境内662 km2），居福建省第十一位。萩芦溪水系排列具有羽状特征，地势为西北高，东南低，大部分海拔在100 m以上。河道中上游为中低山地，是戴云山脉蜿蜒而东的支脉，岩层由中生界火山岩组成，河道平均坡降为25.9‰，属于山溪性河流。萩芦溪下游河道比较开阔，水流平缓，最小坡降为5.8‰，属于兴化平原。该流域中建有中、小型水库共二十余座，大多数水库是以灌溉为主，用于防洪、发电和养殖。

2 BP神经网络的原理

BP神经网络能够大量反映人脑功能的基本特性，是由大量又简单的神经元经过广泛相互连接形成的[11]。BP神经网络采用的学习算法是一种误差反向传播的算法，该算法具有较强的函数映射功能，具有广泛的用途，是人工神经网络最典型的代表。BP神经网络是最简单的多层神经网络，层与层之间的神经元实现全连接，而每层内各神经元之间没有连接[7]。网络的训练依据是有教师教的学习方式，即当向网络提供一种学习模式，神经元被激活，激活值就会从输入层传播到隐含层，再从隐含层传播到输出层，输出层的神经元被激活，然后网络依据使实际输出接近目标输出、使误差减少的方向，从输出层经过各隐含层逐层修改各神经元之间的连接权值，最后回到输入层，因此被称为误差反向传播算法。

2.1 输入参数的选择

主成分分析法是将复杂又彼此相关的多个变量简化的一种分析方法[12-14]。在实际监测过程中，虽然监测点和监测项目较多，但是每个监测点的监测数据之间存在着一定的相关性。通过主成分分析法对其进行降维处理，能够找出水体环境质量的综合指标。这些综合指标是由若干个指标通过线性结合的方式形成的，保留了原始数据的大部分信息，能够充分反映原始数据的内容。对这些综合指标进行分析，并且分析各单项指标在综合指标中的重要性，删除一些次要的指标，从而确定造成水体污染的主要成分。

2.2 数据预处理和后期处理

对BP神经网络的数据进行预处理，能够使网络的训练速度加快。Matlab 6.5软件预处理的方法有归一化处理、标准化处理、主成分分析、回归分析与相关性分析。其中，归一化处理是将每组数据均归一化为-1到1之间的数值，所涉及的函数有Mapminmax、Postmnmx、Tramnmx。

3 萩芦溪流域水质变化实例分析

数据来源于2007-2011年莆田市萩芦溪流域4个监测点水质监测结果（监测点设置如图1所示）。数据分析及处理采用Excel软件，主成分分析采用SPSS17.0软件，Matlab 6.5软件用于构建BP神经网络来预测萩芦溪流域水质变化的趋势。

3.1 输入参数的选择

利用SPSS17.0软件对2007-2011年萩芦溪流域4个监测点水体的pH、DO、CODMn、BOD5、氨氮和TP 6个指标的年均值进行主成分分析，选取水体污染主导因子。结果（表1）表明，前2个主成分的累计贡献率为87.286%，大于85%，可以充分反映各个污染因素对水体污染程度的贡献，因此提取主成分F1、F2进行分析。第一主成分的贡献率为49.719%，主要由TP和BOD5决定，第二主成分的贡献率为37.567%，主要是由DO决定（表2）。因此，初步选取了TP、BOD5和DO作为萩芦溪水体污染的主要限制因子。

3.2 网络模型的确定

BP神经网络是一种具有3层或者3层以上神经元的前馈型网络，由1个输入层、若干隐含层及1个输出层构成，输入层和输出层的神经元根据实际情况和数据决定。因此，选择利用主成分分析法分析得到的影响水体质量的TP、BOD5和DO 3个指标作为BP神经网络输入层和输出层的神经元，所以输入层和输出层的神经元数量均为3，输入层神经元传递函数选用S型正切函数Tansig，输出层神经元传递函数选用线性函数Purelin。由于用只含有一个隐含层的BP神经网络就可以逼近闭区间内的任意一个连续的函数[15]，因此，本研究选择3层BP神经网络。隐含层的神经元数的选取比较复杂，因为隐含层的神经元数太多，学习时间将会延长，误差就增大。研究表明对于输入层神经元数为m的3层BP神经网络，隐含层的神经元数可以设计为2m+1个，此时BP神经网络能够以任意精度逼近任何一个可微函数[11]。由于输入层神经元数量为3，因此隐含层神经元数可以设计为7。选用S型正切函数Tansig作为隐含层神经元的传递函数。对于内存足够的中小型网络可以选取Levenber-Marquardt学习算法训练网络，其训练速度在这种情况下较快。因此，选取Trainlm函数作为BP神经网络的训练函数。

3.3 网络性能检验结果及分析

利用BP神经网络以2010年萩芦溪流域白沙桥、狮亭桥、南安陂和江口桥4个监测点的TP，BOD5和DO 3个指标作为输入样本，预测2011年萩芦溪流域白沙桥、狮亭桥、南安陂和江口桥4个监测点的TP、BOD5和DO 3个指标的含量，结果最大相对误差数值为2.97%，预测准确度较高。由此可见，训练后的BP神经网络模型可用于预测萩芦溪流域白沙桥、狮亭桥、南安陂和江口桥4个监测点的TP、BOD5和DO 3个指标的含量。

3.4 萩芦溪流域水质指标预测结果

比较分析利用BP神经网络预测的2012-2014年萩芦溪流域4个监测点TP、BOD5和DO的预测值（表3），表明萩芦溪流域TP含量在地表水环境质量Ⅱ-Ⅳ类之间变动，其中江口桥TP含量从2012年的0.155 mg/L到2013年0.191 mg/L，再到2014年的0.233 mg/L，呈现上升的趋势；BOD5属于地表水环境质量Ⅰ类标准；DO在2012年含量较低，其中狮亭桥的含量最小（5.563 mg/L），属于地表水环境质量Ⅲ类标准，2013年萩芦溪流域DO含量属于地表水环境质量Ⅰ类标准，2014年流域DO含量除了江口桥为6.047 mg/L，属于地表水环境质量Ⅱ类标准外，其他监测点DO含量均属于Ⅰ类标准。

3.5 萩芦溪流域TP含量的变化特征

氮、磷是水体中主要的营养元素，是水体富营养化的最主要原因[16，17]。淡水系统中氮、磷含量在正常情况下是有限的，过量的氮、磷输入会致使植物大量生长，尤其是引起藻类以及其他浮游生物的快速繁殖，使得水体中溶解氧含量下降，水质变差。利比希最小因子定律解释表明最小量的必需物质决定了植物的生长，这种物质就是限制性因子。当水体中氮、磷能够被水体中的植物吸收，氮磷比7时，磷可能是限制性营养盐；当比值在7附近时，则氮和磷均可能是限制性营养盐[15]。分析2011年数据可知，氮磷比为16.87>7，说明磷可能是限制性营养盐，进一步分析历年数据及预测数据，结果表明氮磷比均大于7。由此可知，TP为萩芦溪流域水质恶化的主导因子，依据利比希最小定律分析的结果可知磷为萩芦溪流域的限制性营养元素。

分析比较2007-2014年萩芦溪流域白沙桥、狮亭桥、南安陂和江口桥4个监测点TP含量（图2）。2007-2011年除了2008年白沙桥TP的含量（0.158 mg/L）大于江口桥TP的含量（0.155 mg/L）外，江口桥TP含量均高于其他3个监测点的TP含量。白沙桥和狮亭桥TP含量在2009和2011年出现拐点下降，江口桥和南安陂TP含量的变化趋势基本一致，都是2007-2009年含量上升，2010-2011年含量下降。对2012-2014年的预测结果显示，2011年后TP含量比2011年高，白沙桥和狮亭桥的变化趋势基本一致，TP含量上升，南安陂和江口桥的变化趋势刚好相反，南安陂TP含量下降，江口桥TP含量上升，可知江口桥TP含量相对污染较严重，提示莆田市涵江区政府及其有关部门特别是管辖江口桥的有关部门应加强水质治理力度，公众应严格遵守规定，畜禽养殖业、种植业、工业、企业、娱乐场排放水均应符合规定要求，使萩芦溪流域TP含量下降，水质得到彻底的改善，达到理想状态。

4 小结

通过SPSS17.0软件对2007-2011年萩芦溪流域白沙桥、狮亭桥、南安陂和江口桥4个监测点水质指标的平均值进行主成分分析，得出TP、BOD5和DO为流域水质富营养化的主要影响因子。利用BP神经网络预测萩芦溪流域TP、BOD5和DO的含量，相对误差最大为2.97%，表明建立的模型适用于萩芦溪流域TP、BOD5和DO含量的预测，能够为萩芦溪流域水资源保护起到指导性作用。综合分析萩芦溪流域4个监测点TP、BOD5和DO含量，得出TP为萩芦溪流域的限制性营养元素。

参考文献：

[1] 林秋霞.萩芦溪流域养猪污染与治理模式分析[J]. 能源与环境，2010（3）：60-63.

[2] 尤永祥，曹贯中，肖仲凯，等.模糊综合评价法在长江下游贵池河段水质评价中的应用[J].水利科技与经济，2012，18（4）：54-56.

[3] 詹 勇，李畅游，史小红，等.分形理论在评价乌梁素海湖水质中的应用[J].水资源与水工程学报，2012，23（2）：37-40.

[4] 廖 杰，王文圣，丁 晶.贝叶斯公式在河流水质综合评价中的应用[J].四川师范大学学报（自然科学版），2007，30（4）：519-522.

[5] 吴祥庆，黎小正，秦振发，等.灰色聚类法在西津水库水体富营养化评价中的应用[J].安徽农业科学，2010，38（22）：11926-11928.

[6] 孙境蔚.基于BP神经网络的水体富营养化评价的研究[J].泉州师范学院学报，2008，26（4）：92-95.

[7] 侯 君，姚志红.基于BP神经网络的湖泊水体富营养化的短期预测[J].实验室研究与探索，2008，27（6）：38-40.

[8] 王里奥，任家宽，刘阳生，等.基于因子-神经网络预测南渡江海口段水质状况[J].环境科学管理，2008，33（6）：176-179.

[9] 杨 琴，谢淑云.BP神经网络在洞庭湖氨氮浓度预测中的应用[J].水资源与水工程学报，2006，17（1）：65-70.

[10] 高艳萍，周 敏，姜凤娇.基于BP网络养殖水体氨氮预测模型及实现[J].农机化研究，2008（7）：48-50.

[11] 傅荟璇，赵 红.MATLAB神经网络应用设计[M].北京：机械工业出版社，2007.90-91.

[12] 王晓凤.应用主成分分析法评价东昌湖水质状况[J].湖北农业科学，2011，50（23）：4812-4815.

[13] 陈海鹰.主成分分析法在东张水库水质污染特征分析与评价的应用[J].化学工程与装备，2011（9）：249-255.

[14] 余进祥，刘娅菲，钟晓兰，等.鄱阳湖水体富营养化评价方法及主导因子研究[J].江西农业学报，2009，21（4）：125-128.

[15] 陈新军，周应祺.基于BP模型的渔业资源可持续利用综合动态评价[J]. 湛江海洋大学学报， 2002，22（6）：38-44.

神经网络的学习方式范文第7篇

关键词：Hough变换 灰度共生矩阵 直线检测 道床板结 BP算法

中图分类号：TP3 文献标识码：A 文章编号：1672-3791（2014）04（a）-0009-02

图像的纹理特征描述了在图像中反复出现的局部模式和它们的排列规则，反映了宏观意义上灰度变化的一些规律[1]。基于铁路道床（正常和异常）纹理表面的特点，应用统计方法更适合于分析这两类特征明显的纹理。由此所生成的参数可以描述纹理多方面的统计特征。

模式识别中的纹理检测识别参数之间具有不可避免的相关性和非线性，使用例如贝叶斯决策理论进行分类难度比较大，因此采用神经网络对关系复杂的非线性信息具有类似人脑的处理能力，这给本文的模式对象识别提出了新的创新。

本文先应用灰度共生矩阵提取纹理参数特征，并用BP神经网络进行训练分类以达到识别道床板结的目的。

1 道床板结区域分割

道床板结区域是指枕木和铁轨之间的区域，因为铁轨和枕木都是直线物体，所以我们采用检测直线的方法来分割道床板结区域。

1.1 直线检测

在图像处理和机器视觉中，Hough变换[3]是检测确定曲线的最有效的方法。传统的Hough变换算法具有很大的盲目性、计算量较大。但是随着随机概率Hough变换（PHT）[4]和Hough变换（RHT）[5]等改进Hough变换算法的提出，这种情况得到了有效的改变。对此本了一点改进。从端面中心点开始，在端面矩形尺寸的范围内查找8邻域内的边缘点，依次递归查找下去，直到邻域没有边缘点为止。

1.2 确定道床板结区域

对纹理图像进行二值化后，利用Hough变换检测边缘，最后得到直线检测结果。经过实验验证，根据Hough变换改进算法测试的直线成功分割出道床区域，比较准确的定位道床区域，并减少对整幅图像运算带来的大量不必要的运算。

2 灰度共生矩阵

2.1 灰度共生矩阵的特征值

灰度共生矩阵[2]（记为阵）是统计空间上具有某种位置关系的一对像元灰度对出现的频度，其实质是从图像灰度为i的像元（位置为）出发，统计与其距离为d，灰度为j的像元同时出现的频度数学表达式为：

按公式（1）生成的灰度共生矩阵是一种对称阵。阵的分布比较分散；如果的方向与纹理方向一致，那么阵中的元素都集中在主对角线附近，在本文中，规定灰度连续的方向是纹理方向。

灰度共生矩阵有15个特征参数[6]，本文提取5个关键特征作为道传板结的纹理特征。它们分别是：（1）角二阶矩（能量）；（2）对比度（惯性矩）；（3）相关；（4）熵；（5）逆差矩。

2.2 灰度共生矩阵生成间距d的自适应

本文通过选取6个实验样本，取0°、45°、90°、135°四个方向分别计算灰度共生矩阵的5个特征值并求其平均值以消除方向上的影响。经过试验数据显示随像素间距d的增加，角二阶矩、逆差矩有减小的趋势，对比度、熵有增加趋势，其中相关性有波动；总体上看，在d≥4后各特征参数的变化趋向稳定。

通过对道床区域大小的分析及样本实验两个因素来自适应的确定灰度共生矩阵生长步长d的取值。从上述实验可知，本文中选取d=4作为d的最小值，自适应的步长为2，根据被确定的道床区域的大小自适应的变化。

3 道床纹理特征提取

研究灰度的空间相关性来描述纹理，并从道床图像中抽取纹理特征参数中的灰度共生矩阵作为分类识别的特征参数。图像的灰度共生矩阵反映了图像灰度关于方向、相邻间隔、变化幅度的综合信息，它是分析图像局部模式结构及其排列规则的基础。

同一纹理不同方向的特征参数是有差异的，为了获得旋转不变的纹理特征，需对灰度共生矩阵的结果作适当处理。本文采用的方法是取不同方向（0°，45°，90°，135°）的偏移参数，作其灰度共生矩阵，分别求取其特征指标，提取二次统计量―― 二阶矩、对比度、相关、熵、逆差矩等参数，可以作为分类的特征向量。

4 分类识别器的设计

4.1 BP神经网络学习算法

本系统采用BP神经网络的模式识别方法对铁轨道床的图像进行识别与分类，标准的BP神经网络结构如图1所示。

BP网络按有教师样本（即目标输出模式）学习方式进行训练，当一对学习模式提供给网络后，其神经元的激活值将从输入层经各中间层向输出层传播，在输出层的各神经元输出对应于输入模式的网络响应。

4.2 分类识别设计的实现

在进行道床图像的分类识别时，需要有已经训练成型的分类器模型，可以按下面的步骤获得：

（1）输入训练样本。将输入样本进行归一化处理，使训练样本的输入特征值取在[0，1]之间。

（2）对网络进行初始化。网络的权值与阈值随机初始化，网络的输入节点取特征向量的维数为5，输出节点取的类别数为2。

（3）进行BP网络训练，获取最终的权值与阈值矩阵。

（4）输入待识别的样本，进行分类识别。

5 实验过程及结论

根据上述设计，分别选取100个正常道床和板结道床。首先将100个训练样本采用生成步长d为4并在0°、45°、90°、135°四个方向上生成灰度共生矩阵，求解的特征向量作为bp神经网络分类器识别的特征参数，并训练成型输入分类器，产生聚类输出。

根据实验可知，随着训练次数的增加，误差逐渐减小，正确率亦逐渐提高，分类器识别为板结的图像（见表1）。

6 结论

（1）使用改进的Hough变换检测直线，较快识别道床区域。

（2）利用灰度共生矩阵中的二阶矩、对比度、相关、熵、逆差矩为特征向量，实现分类。

（3）灰度共生矩阵的生长间距根据道床区域的实际情况自适应的调整。

（4）BP神经网络作为非线性的分类器，仅仅需要系统的输入输出为依据就可判断那些为道床已板结的图片，而且识别的误差比较小。

参考文献

[1] 阮秋琦.数字图像处理学[M].北京：电子工业出版社，2001.

[2] HARALICK R M.Statistical and structural Approaches to Texture[J].proceeding of IEEE，1975，67（5）：786-504.

[3] DUDA RO，HART PE.Use of the Hough transformation to detect lines and curves in pictures[J].Com-mun.ACM，1972，15（1）：11-15.

[4] KIRYATI N，ELDAR Y，BRUCKSTE

IN AM.A probabilistic Hough transform[J].Pattern Recognition，1991，24：303―316.

神经网络的学习方式范文第8篇

关键词：人工智能 电气自动化控制 应用

人工智能是一种新型技术，与传统技术相比，人工智能有着巨大的优势，该种技术主要是建立在计算机与网络技术中，能够解决很多传统技术难以解决的问题，目前，人工智能已经在经济建设与社会发展中得到了广泛的应用，也取得了良好的成效，但是，在一些主观与客观因素的限制之下，人工智能在电气自动化控制中的应用依然存在一些不足之处，下面就针对人工智能的特点及人工智能在电气自动化控制中的应用进行深入的分析和探讨。

1 .人工智能控制器特点分析

在电气自动化中使用的人工智能控制器多为非线性函数近似器，其中代表性的有遗传算法、模糊理论、神经算法与模糊神经算法等，使用非线性函数近似器有着巨大的优势，这主要表现在以下几个方面：

第一，在开展人工智能电器设计时并不需要应用精确的动态模型，不需要明白非线性与参数变化等因素就能够完成设计；

第二，只要适当的调整系统的下降时间、相应时间，就能够有效提升函数性能，产生的过冲也很小；

第三，人工智能控制器能够设计相应时间与语言，调节方式十分的简单，对于信息与数据也有着良好的适应性，抗干扰性能理想，容易实现；

第四，人工智能控制器的一致性良好，与驱动器无直接联系，即使输入的数据是未知的也可以获取到理想的预测结果。（以以太网为例的人工智能控制器原理示意图详见图1）

图1 以太网为例的人工智能控制器原理示意图

2 .人工智能在电气自动化控制中的应用分析

2.1 人工智能在电气自动化设计中的应用

自动化电气的设计十分的复杂，牵扯到很多专业，如变压器、电路、电力电子技术、电机等等，对设计人员专业技能水平的要求也较高，也需要用到大量的人力、物力与财力，利用人工智能技术就可以有效解决人力难以解决的问题，有效提升设计的精度与工作效率。

此外，在电气设备的设计过程中，需要根据不同的情况采取相应的算法，要想有效提升设计的质量与效率，工作人员必须要具有应用人工技能的经验与能力。

2.2 人工智能在电气控制中的应用

电气自动化控制是一个关节性环节，如果能够采取科学的措施提升整个系统的自动化水平，就可以有效降低人力、物力财力的投入，有效优化人工系能系统的运行质量。

人工智能技术在电气自动化设备中的应用包括神经网络控制、专家系统控制以及模糊控制几个方面，其中，模糊控制的应用范围最为广泛，究其根本原因，是由于该种方式简单，与生产的联系也更加的紧密。

而模糊控制在整电气自动化中的应用主要集中在交流传动与直流传动两个方面，其中，直流传动主要集中在模糊控制器之中，如Sugeno、Mamdani，而Sugeno是Mamdani的一个部分，Mamdani多应用在调速控制系统中，其规则库为if-then规则库。将模糊控制器应用在交流传统控制系可以代替传统PSI控制器与PI控制器，近年来，在科技水平的发展之下，模糊控制器也开始应用在全数字高动态性能传动系统之中，也取得了一定的成效。

2.3 人工智能在故障诊断系统中的应用

人工智能技术中的专家系统、模糊理论与神经网络已经在电气设备故障诊断系统中得到了广泛的应用，其中应用范围较广的就是发动机、发电机与变压器故障的诊断工作中。在诊断时，需要先从变压器油中将气体分离出来，再根据气体的情况分析故障的发生状态。如果使用传统的诊断方式是难以判断出故障的复杂性、非线性以及不确定性的，诊断结果并不理想。但是，使用人工智能技术即可有效提升诊断的成功率，就现阶段来看人工智能技术主要采取专家系统、神经网络与模糊逻辑集中诊断方式。

2.4 人工智能在电力系统中的应用

目前，人工智能在电力系统中的应用包括神经网络、专家系统、启发式搜索、模糊集理论几个方面，其中，专家系统是一种集经验、规则与专业知识一体的程序性系统，该种系统需要依赖一定领域的知识与经验进行推理，并模拟专家的决策对各个难题来处理。专家系统主要包括六个部分，即推理机、知识库、人机接口、知识获取、咨询解释、数据库。在整个系统的使用过程中，需要根据实际情况的变化来更新规则库，以便获取到最及时的要求。

目前，很多训练算法与神经网络都在电力系统中得到了一定程度的应用，神经系统的储存方式与学习方式都十分的灵活，也有着强大的状态分类能力以及识别能力，在负荷预测的过程中，神经网络能够对模型进行科学合理的分类，并实现对输入的选择，构建出日预测模型以及周预测模型，将人工神经网络与元件关联进行有机结合即可实现对复杂系统的诊断，识别是不同的故障。

2.5 人工智能在日常操作中的应用

电力系统不仅对电力系统自身的自动化水平有着直接的影响，对于管理工作也有一定的影响，将人工智能技术应用在日常操作中可以对加用电脑进行实时操作，可以实现报表自动生成、日志生成、日志储存等多种功能。这不仅可以简化操作，也能够有效提升操作的可视性与简便性，可以看出，将人工智能系统应用在日常操作中可以有效提升电气自动化系统的工作效率，这也是未来阶段下我国电力系统发展的重要方向。

3. 结语

总而言之，在科技水平的发展之下，电力自动化控制系统也得到了完善的发展，与此同时，人工智能系统在电气自动化控制中的应用也取得了一定的成效，将人工智能应用在电气自动化控制系统中可以有效提升设备的使用效率与使用质量，但是由于一些客观因素的限制，人工智能技术还存在一些不足，相信在不久的将来，这一问题定可以得到完美的解决。

参考文献：

[1]王金亮.人工智能技术在电气自动化控制系统中的应用研究[J]. 科技致富向导，2012（10）

[2]龙，曲利，董洪潮.人工智能在电气自动化控制中的应用[J]. 科技传播，2013（09）

[3]胡蝶.人工智能在电气自动化控制中的应用[J]. 中小企业管理与科技（下旬刊），2010（09）