神經網絡特征

前言：想要寫出一篇令人眼前一亮的文章嗎？我們特意為您整理了5篇神經網絡特征范文，相信會為您的寫作帶來幫助，發現更多的寫作思路和靈感。

神經網絡特征范文第1篇

關鍵詞： 模擬電路； 特征選擇； 故障診斷； 神經網絡； 粒子群算法

中圖分類號： TN710.4?34； TP183 文獻標識碼： A 文章編號： 1004?373X（2016）19?0140?04

Abstract： The analog circuit is influenced by its characteristics and external environment， and its fault is non?linear and time?varying. The available fault diagnosis models of analog circuit are difficult to solve the match problem of features and classifier parameters， an analog circuit fault diagnosis model based on particle swarm algorithm optimizing feature and neural network is presented. The current situations of analog circuit fault diagnosis are analyzed， and their shortcomings are pointed out. The features of analog circuit fault diagnosis are extracted. The neural network is used as the classifier of analog circuit fault diagnosis. The analog circuit fault features and neural network parameters are optimized with particle swarm optimization， and simula?ted with Matlab 2012. The results show that the performance of the proposed model is superior to that of other reference models， and has wide application prospects.

Keywords： analog circuit； feature selection； fault diagnosis； neural network； particle swarm optimization

0 引 言

當前電網系統規模不斷增大，各種電路越來越復雜，電路出現故障的概率急劇上升，相對于數字電路，模擬電路工作環境更加復雜，再加上自身特性，模擬電路故障診斷具有更加重要的實際應用價值，一直是電網系統研究中的重點[1]。

國內外學者對模擬電路故障診斷進行了相應的探索和研究，提出了許多有效的模擬電路故障診斷模型[2]。當前模擬電路故障方法主要分為傳統模型和現代模型兩類方法，傳統模型主要有專家系統與灰色理論等[3?4]，屬于線性的模擬電路故障診斷模型，對小規模模擬電路故障診斷效果好，但對于大規模的模擬電路，建模效率低，同時由于模擬電路工作狀態與特征間是一種復雜的非線性關系，傳統模型無法描述其變化特點，故障診斷正確率急劇下降，難以滿足模擬電路故障診斷的實際應用要求[5]。現代模型基于非線性理論進行模擬電路故障診斷建模，主要有神經網絡與支持向量機等[6?7]，現代模型通過自適應學習擬合電路工作狀態與特征間的非線性關系，成為當前模擬電路故障診斷的主要研究方向，其中支持向量機的訓練過程相當耗時，很難滿足模擬電路的故障診斷要求，應用范圍受到一定的限制[8]。神經網絡的學習速度要快于支持向量機，且模擬電路故障診斷結果不錯，尤其是BP神經網絡進行故障診斷時，速度較快，應用最為廣泛[9]。BP神經網絡的模擬電路故障診斷結果與參數相關，如參數選擇不當，則會導致模擬電路故障診斷性能下降[10]。模擬電路的狀態特征同時亦與診斷結果密切相關，然而當前模擬電路故障診斷模型將神經網絡參數與特征選擇問題分開考慮，完全割裂了兩者之間的關系，無法構建高準確率的模擬電路故障診斷模型[11]。

針對當前模擬電路故障診斷中的特征和神經網絡參數不匹配的問題，提出一種粒子群算法選擇特征和神經網絡的模擬電路故障診斷模型（PSO?BPNN）。在Matlab 2012平臺進行了仿真實驗。結果表明，本文提出模型的模擬電路故障診斷性能要遠遠優于其他參比模型。

1 相關理論

1.1 模擬電路工作狀態的特征提取

Step3：更新慣性權重，調整粒子的飛行速度和位置，產生新的粒子群。

Step4：若達到了結束條件，就可以得到模擬電路故障診斷的最優特征子集和最合理的BP神經網絡參數。

Step5：建立模擬電路故障診斷模型，并對待檢測的模擬電路故障進行檢測，根據檢測結果采取相應的措施。

3 結果與分析

為了分析PSO?BPNN的模擬電路故障診斷性能，采用圖2的模擬電路進行仿真實驗，在Matlab 2012平臺下進行編程實現PSO?BPNN，模擬電路故障診斷參比模型為：

（1） 原始模擬電路故障診斷特征，BP神經網絡參數隨機確定的模擬電路故障診斷模型（BPNN1）；

（2） 原始模擬電路故障診斷特征，粒子群算法優化BP神經網絡參數的模擬電路故障診斷模型（BPNN2）；

（3） 粒子群算法選擇模擬電路故障診斷特征，然后隨機確定BP神經網絡參數的模擬電路故障診斷模型（BPNN3）。

共收集100個模擬電路故障診斷的訓練樣本，50個模擬電路故障診斷測試樣本，采用PSO?BPNN對訓練樣本進行學習，所有模型都運行100次，然后統計測試樣本的實驗結果，其平均診斷率和誤診率如圖3，圖4所示，對圖3，圖4的模擬電路故障診斷結果進行對比和分析，可以得到如下結論：

（1） 與BPNN1的實驗結果相比較可以發現，BPNN2獲得了更優的模擬電路故障診斷結果，因為BPNN2采用粒子群算法優化了BP神經網絡參數，使得模擬電路故障診斷率更高，這表明BP神經網絡參數會影響模擬電路故障診斷的結果。

（2） BPNN3的模擬電路故障診斷也要優于BPNN1，這是由于粒子群算法對模擬電路故障特征進行了選擇和優化，得到了對電路故障診斷結果有重要作用的特征子集。

（3） 在所有模擬電路故障診斷模型中，PSO?BPNN的模擬電路故障診斷率最高，誤診率得到了降低，這是由于BPNN2和BPNN3只從一個方面對特征或者BP神經網絡參數進行了優化，沒有同時對它們進行優化，因此不可能建立性能優異的模擬電路故障診斷模型，而PSO?BPNN同時從特征和BP神經網絡參數兩個方面進行優化，因而能夠獲得更加理想的模擬電路故障診斷結果。

4 結 語

傳統模擬電路故障診斷模型僅對特征或者BP神經網絡參數進行優化，易出現特征和分類器參數不匹配的問題，為此提出基于PSO?BPNN的模擬電路故障診斷模型，首先根據Volterra級數提取模擬電路工作狀態的特征，然后采用BP神經網絡作為模擬電路故障分類器，并利用粒子群算法優化特征和BP神經網絡參數，最后進行仿真實驗，仿真結果表明，PSO?BPNN解決了當前模擬電路故障診斷模型存在的局限性，獲得了更高的模擬電路故障診斷率，在模擬電路故障診斷中具有廣泛的應用前景。

參考文獻

[1] 朱大奇.電子設備故障診斷原理與實踐[M].北京：電子工業出版社，2008.

[2] 陳圣儉，洪炳熔，王月芳，等.可診斷容差模擬電路軟故障的新故障字典法[J].電子學報，2006，4（2）：129?136.

[3] 金瑜，陳光福，劉紅.基于小波神經網絡的模擬電路故障診斷[J].儀器儀表學報，2007，28（9）：1600?1604.

[4] 劉本德，胡昌華，蔡艷寧.基于聚類和SVM多分類的容差模擬電路故障診斷[J].系統仿真學報，2009，21（20）：6479?6482.

[5] 黃潔，何怡剛.模擬電路故障診斷的發展現狀與展望[J].微電子學，2004，34（1）：21?25.

[6] 彭敏放，何怡剛，王耀南.模擬電路的融合智能故障診斷[J].中國電機工程學報，2006，26（3）：19?24.

[7] 張超杰，賀國，梁述海.小波變換與主元分析相結合的模擬電路檢測方法[J].哈爾濱工程大學學報，2010，31（5）：570?575.

[8] 劉美容，何怡剛，方葛豐，等.遺傳小波神經網絡在模擬電路故障診斷中的應用[J].湖南大學學報，2009，36（3）：40?44.

[9] 申宇皓，孟晨，張磊，等.基于同步優化的支持向量機模擬電路故障診斷方法研究[J].太原理工大學學報，2010，41（4）：420?424.

[10] 胡清，王榮杰，詹宜巨.基于支持向量機的電力電子電路故障診斷技術[J].中國電機工程學報，2008，28（12）：107?111.

[11] 王承，葉韻，梁海浪，等.基于多頻測試和神經網絡的模擬電路故障診斷[J].計算機工程與應用，2013，49（5）：1?3.

神經網絡特征范文第2篇

關鍵詞： 神經網絡；模擬電路；故障智能診斷

Applications of Neural network in analog circuit fault intelligent diagnosis

Huang Qian1 ，Lu Li2

Nanchang institute of technology JiangXi NanChang 330029

Abstract： The article mainly describe development course of neural network simulation circuit and the common method of fault diagnosis of simulation power based on neural network at this stage， the focus analysised BP neural network fault dictionary method and the SOM neural network fault dictionary method and respective of calculation method， and basic thought， and technology difficulties analysis， discussed application problem of neural network method in in analog circuit fault intelligent diagnosis， last talk about development trend of simulation circuit neural network diagnosis method.

Keyword： Neural network；Analog circuits；Intelligent fault diagnosis

引 言

隨著神經網絡等人工智能技術的發展， 模擬電路故障診斷的研究又開辟了一條新路， 基于神經網絡的模擬電路故障診斷方法已經成為新的研究熱點。20世紀80年代末期起有學者研究將人工神經網絡應用到模擬電路的故障診斷中，現階段已經提出多種基于神經網絡的模擬電路故障診斷方法，有些方法如BP（ Error Back Propagation Network）神經網絡故障字典法已經能有效應用于濾波電路、模擬放大電路等非線性容差電路的故障診斷， 效果優于傳統的故障字典法。

1神經網絡故障字典法

神經網絡故障字典法把模擬電路的故障診斷看成是一個分類問題， 利用神經網絡的分類功能來診斷故障。在測前把神經網絡訓練成一部故障字典， 字典的信息蘊含在網絡的連接權值中， 只要輸入電路的測量特征， 就可以從其輸出查出故障。

1.1 BP 神經網絡故障字典法

BP 是一種多層網絡誤差反傳學習算法。

1）初始化，隨機給定各連接權[w]，[v]及閥值θi，rt。

（2）由給定的輸入輸出模式對計算隱層、輸出層各單元輸出

式中：bj為隱層第j個神經元實際輸出；ct為輸出層第t個神經元的實際輸出；wij為輸入層至隱層的連接權；vjt為隱層至輸出層的連接權。

式中：dtk為輸出層的校正誤差；ejk為隱層的校正誤差。

（3）計算新的連接權及閥值，計算公式如下：

（4）選取下一個輸入模式對返回第2步反復訓練直到網絡設輸出誤差達到要求結束訓練。

應用BP 神經網絡故障字典法進行模擬電路故障診斷步驟如下：

（1）確定待測電路的故障集和狀態特征參量， 采用電路仿真或實驗的方法獲取電路每一故障狀態下的狀態特征數據， 經篩選和歸一化處理后構造訓練樣本集。設計BP 神經網絡并進行訓練。

（2）用訓練樣本集中的樣本訓練好網絡， 即完成學習的過程。一般采用3 層BP 神經網絡， 輸入層節點數與電路狀態特征參量的維數相同， 輸出層節點數可與電路待測故障類別數相同，也可小于待測故障類別數， 隱層節點數則需按經驗公式試湊。實際診斷時給被測電路加相同的測試激勵， 將測得的實際狀態特征參量輸入到訓練好的BP 神經網絡， 則其輸出即可指示相應的故障狀態。

1.2 SOM神經網絡故障字典法

SOM （Self - organizing Feature Map）神經網絡是芬蘭教授Kohonen于1981 年提出的一種自組織特征映射神經網絡。這種自組織特征映射神經網絡通過對輸入模式的反復學習，使連接權矢量空間分布密度與輸入模式的概率分布趨于一致， 即連接權矢量的空間分布密度能反映輸入模式的統計特性。

SOM二維網絡拓撲結構圖

SOM 網絡能對輸入模式自動分類，通過輸入模式的自組織學習， 在競爭層將分類結果表示出來。應用SOM 神經網絡建立模擬電路故障診斷字典的具體步驟如下：

（1）確定電路的故障集和激勵信號。通過仿真獲取電路在每一故障狀態下的狀態特征向量， 并進行預處理得到訓練樣本數據。

（2） 確定SOM 網絡結構。 SOM 網絡只有輸入層和輸出層兩層， 沒有隱層，輸入層的形式與BP 網絡相同， 其結點數應與電路狀態特征向量的維數相同。輸出層即競爭層的神經元一般采用二維平面陣結構排列， 也可采用一維線陣或三維柵格陣的結構排列。采用一維線陣時， 輸出層結點數可與電路的故障類別數相同。

（3）經過SOM 訓練形成具有容差的故障字典。SOM 網絡的學習算法可采用標準的Kohonen 算法?？梢钥闯觯?SOM 網絡法與BP 網絡法構建故障字典的方法步驟完全相似，SOM 網絡法一般適用于交流電路， 以電路響應的頻域參量為狀態特征，它能更有效地克服容差因素對故障定位的影響，SOM 網絡法實際診斷時容易出現模糊故障集， 診斷過程要比BP網絡法復雜。

1.2神經網絡故障字典法難點

同經典的故障字典法相比， 神經網絡故障字典法突出的優點是測后診斷速度快，實時性強，其原因是該方法利用了神經網絡高度并行的信息處理能力。經典的故障字典法需要進行繁瑣的模糊集分割處理， 且一般只能診斷硬故障。而神經網絡故障字典法由于神經網絡的泛化能力，可以診斷容差模擬電路， 而且對軟故障情況也有很好的應用前景。應用該方法難點包括以下幾個方面：

（1）神經網絡的結構和參數等只能依據經驗反復調試， 難以確定所設計的神經網絡是最優的。

（2）數據預處理技術和訓練樣本集的篩選至關重要，神經網絡故障字典法的診斷效果主要依賴于此。如何根據實際電路對原始數據進行預處理以突出故障特征信息及如何優選訓練樣本。

2 神經網絡優化診斷法

傳統的優化診斷法依據被測電路的解析關系， 按照一定的判據（目標函數） ， 估計出最有可能出現故障的元件。優化診斷法是一種測后模擬的逼近法， 可在較少的測量數據下診斷故障，避免元件的容差問題， 可以診斷軟故障和多故障但傳統優化診斷法存在一個復雜的重復過程， 需要多個優化過程和多次電路模擬， 測后計算量很大。

神經網絡優化診斷法對傳統方法進行改進， 利用Hopfield 神經網絡的優化計算功能尋優， 克服了傳統的優化診斷方法測后計算量大、實時性差的缺點。由于該方法最終是通過求解元件參數或參數增量來判定故障元件的。

神經網絡優化診斷法的基本思想是將模擬電路的故障診斷方程轉換為帶約束條件的優化問題， 然后利用Hopfield 神經網絡進行優化問題的求解。將優化問題映射到一種神經網絡的特定組態上， 此組態相應于優化問題的可能解， 然后再構造一個適合于待優化問題的能量函數（對應于目標函數）， 當Hopfield 神經網絡從某一初始狀態沿著能量函數減小的方向運動， 其穩定平衡解即對應于優化問題的解。對于線性電阻電路， 可以以元件參數增量和可測節點電壓變化量建立故障診斷方程， 該診斷方程通常為一組欠定方程。

應用Hopfield 神經網絡求解此類帶約束條件的優化問題的步驟如下：

（1）分析問題： 分析網絡輸出與問題的解相對應。

（2）構造網絡能量函數： 將實際待解決優化問題的目標函數表達成能量函數的相應形式， 能量函數最小值對應問題最佳解。

（3）設計網絡結構： 將能量函數與目標函數相比較， 求出能量函數中的權值和偏流。

（4）運行網絡求出穩定平衡態： 由網絡結構建立網絡的電子線路， 運行該電子線路直至穩定， 所得穩態解即為優化問題所希望的解。

3 其它神經網絡故障診斷法

ART （Adaptive Resonance Theory）神經網絡故障診斷法。ART 神經網絡是一種基于自適應共振理論ART的學習算法， 包括ART1 型、ART2 型和ART3 型三種結構形式。文獻三中的作者探討了一種采用ART1 型神經網絡進行模擬電路故障診斷的方法，將電路的各種故障分出層次，并按一定特征給故障類型進行編碼形成故障數據樣本，將故障數據樣本輸入ART1型神經網絡進行訓練， 訓練完成后該ART 網絡即可用于診斷。ART最大的特點是既能識別已有的故障模式， 又能較好地診斷新發故障。基于神經網絡的網絡撕裂法。網絡撕裂法是一種大規模模擬電路分層診斷的方法， 將網絡撕裂法與神經網絡故障字典法相結合就形成基于神經網絡的網絡撕裂法。

ART的基本思路是， 當電路網絡分解到一定程度后， 電路子網絡繼續分解往往越來越困難， 這時可以引入神經網絡故障字典法， 分別為每一電路子網絡構建一個神經網絡， 則電路子網絡級的診斷采用神經網絡故障字典實現。

與傳統的網絡撕裂法相比， 該方法測后工作量小， 診斷過程更加簡單，診斷速度加快?；谏窠浘W絡求解非線性方程的模擬電路故障診斷方法。

4 模擬電路神經網絡診斷法發展趨勢

近年來， 一個值得重視的現象是神經網絡與專家系統、模糊控制、遺傳算法和小波分析等技術相結合應用于模擬電路的故障診斷領域的研究。如神經網絡與模糊邏輯理論相結合， 即所謂的“模糊神經網絡”用于模擬電路的故障診斷， 其基本思想是在BP 神經網絡的輸入層與輸出層中間增加1到2 層模糊層構造模糊神經網絡，利用神經網絡處理低層感知數據， 利用模糊邏輯描述高層的邏輯框架，其對模擬電路軟故障的診斷效果優于單一的神經網絡分類器。又如小波分析與神經網絡結合應用于模擬電路的故障診斷。

小波與神經網絡的結合有以下兩個途徑：

（1） 輔助式結合， 比較典型的是利用小波分析對信號進行預處理， 然后用神經網絡學習與判別。

（2）嵌套式結合， 即把小波變換的運算融入到神經網絡中去， 其基本思想是用小波元代替了神經元，即激活函數為已定位的小波函數基， 通過仿射變換建立小波變換與神經網絡的聯接，小波神經網絡由于把神經網絡的自學習特性和小波的局部特性結合起來，具有自適應分辨性和良好的容錯性。

參考文獻

[1] 王顯強.談談神經網絡在模擬電路故障診斷中的應用問題[J]

電路技術.2012（06）

[2] 劉華.基于神經網絡的模擬電路故障診斷方法研究[J]微電子學報.2010（03）

[3]董偉.談ART1 型神經網絡進行模擬電路故障診斷方式分析. [J]電路科技. 2012（05）

[4]王承. 基于神經網絡的模擬電路故障診斷方案探究.[J]電路科技. 2013（06）

[5]張宇. 基于神經網絡的模擬電路故障診斷方案探究.[J]計算機測量與控制. 2012（07）

[6]王承. 基于神經網絡的模擬電路故障診斷方案探究.[J]電路故障. 2013（02）

[7]劉盛燦. 神經網絡的模擬電路故障的應用.[J]電路科技. 2013（06）

[8] 萬磊.神經網絡在模擬電路故障診斷中的應用若干問題探討[J]

電路技術.2011（08）

[9] 郭明強.神經網絡在模擬電路故障診斷中的發展歷程分析[J]電路技術.2013（08）

神經網絡特征范文第3篇

人工神經網絡是近年來迅猛發展的前沿課題，它對突破現有科學技術的瓶頸起到重大的作用。本文剖析了人工神經網絡的特征、模型結構以及未來的發展趨勢。

【關鍵詞】人工神經網絡 神經元 矩陣

1 人工神經網絡概述

人工神經網絡（ANN）是一種用計算機網絡系統模擬生物神經網絡的智能神經系統，它是在現代神經生物學研究成果的基礎上發展起來的，模擬人腦信息處理機制的一種網絡系統，它不但具有處理數值數據的計算能力，而且還具有處理知識的學習、聯想和記憶能力。

人工神經網絡模擬了大腦神經元的組織方式，反映了人腦的一些基本功能，為研究人工智能開辟了新的途徑。它具有以下基本特征：

1.1 并行分布性

因為人工神經網絡中的神經元排列并不是雜亂無章的，往往是以一種有規律的序列排列，這種結構非常適合并行計算。同時如果將每一個神經元看作是一個基本的處理單元，則整個系統可以是一個分布式處理系統，使得計算快速。

1.2 可學習性和自適應性

一個相對很小的人工神經網絡可存儲大量的專家知識，并能根據學習算法，或利用指導系統模擬現實環境（稱為有教師學習），或對輸入進行自適應學習（稱為無教師學習），可以處理不確定或不知道的事情，不斷主動學習，不斷完善知識的存儲。

（3）魯棒性和容錯性

由于采用大量的神經元及其相互連接，具有聯想映射與聯想記憶能力，容錯性保證網絡將不完整的、畸變的輸入樣本恢復成完整的原型，魯棒性使得網絡中的神經元或突觸遭到破壞時網絡仍然具有學習和記憶能力，不會對整體系統帶來嚴重的影響。

1.3 泛化能力

人工神經網絡是大規模的非線性系統，提供了系統協同和自組織的潛力，它能充分逼近任意復雜的非線性關系。如果輸入發生較小變化，則輸出能夠保持相當小的差距。

1.4 信息綜合能力

任何知識規則都可以通過對范例的學習存儲于同一個神經網絡的各連接權值中，能同時處理定量和定性的信息，適用于處理復雜非線性和不確定對象。

2 人工神經網絡模型

神經網絡是在對人腦思維方式研究的基礎上，將其抽象模擬反映人腦基本功能的一種并行處理連接網絡。神經元是神經網絡的基本處理單元。

在神經網絡的發展過程中，從不同角度對神經網絡進行了不同層次的描述和模擬，提出了各種各樣的神經網絡模型，其中最具有代表性的神經網絡模型有：感知器、線性神經網絡、BP網絡、自組織網絡、徑向基函數網絡、反饋神經網絡等等。

3 神經元矩陣

神經元矩陣是神經網絡模型的一種新構想，是專門為神經網絡打造的一個矩陣，它符合神經元的一切特征。

神經元矩陣采用矩陣形式，它可為n維向量組成。引入向量觸頭和信使粒的概念，向量觸頭可生長，即長度可變，方向可變，信使?？伞坝问帯痹诰仃囍?，建立各種聯系。如圖1即是神經元矩陣模型

（1）容器可產生一種無形的約束力，使系統得以形成，容器不是全封閉的，從而保證系統與外界的溝通和交互；各向量間可用相互作用的力來聯系，而各個信使粒則受控于容器、中空向量以及其它的信使粒。各神經元之間自主交互，神經元矩陣是一種多層次的管理，即一層管理一層。系統具有明顯的層級制和分塊制，每層每塊均獨立且協同工作，即每層每塊均含組織和自組織因素。

（2）向量觸頭是中空的，信使?？梢酝ㄟ^向量或存儲于向量中，所以又稱為中空向量。向量存儲了信使粒后，可以吸引更多的信使粒在附近，或使鄰近向量轉向、伸長，進而形成相對穩定的信息通路。

（3）當兩條或更多的信息通路匯集時，可能伴隨著通路的增強、合并，以及信使粒的聚集、交換，這是神經元矩陣運算的一種主要形式。通路的形成過程，也就是是神經元矩陣分塊、分層、形成聯接的過程，也為矩陣系統宏觀管理、層級控制的實現奠定了基礎。

神經元矩陣亦是一種具有生物網絡特征的數學模型，綜合了數學上矩陣和向量等重要概念，是一種立體的矩陣結構。尤其是將矩陣的分塊特性和向量的指向特征結合起來，更好的體現了神經網絡的整體性和單元獨立性，系統的組織和自組織特征也更為凸顯。信使粒以“點”的數學概念，增強了系統的信息特征，尤其是增強了矩陣的存儲和運算功能。

4 人工神經網絡的發展趨勢

人工神經網絡是邊緣叉科學，它涉及計算機、人工智能、自動化、生理學等多個學科領域，研究它的發展具有非常重要意義。針對神經網絡的社會需求以及存在的問題，今后神經網絡的研究趨勢主要側重以下幾個方面。

4.1 增強對智能和機器關系問題的認識

人腦是一個結構異常復雜的信息系統，我們所知道的唯一智能系統，隨著信息論、控制論、計算機科學、生命科學的發展，人們越來越驚異于大腦的奇妙。對人腦智能化實現的研究，是神經網絡研究今后的需要增強的地發展方向。

4.2 發展神經計算和進化計算的理論及應用

利用神經科學理論的研究成果，用數理方法探索智能水平更高的人工神經網絡模型，深入研究網絡的算法和性能，使離散符號計算、神經計算和進化計算相互促進，開發新的網絡數理理論。

4.3 擴大神經元芯片和神經網絡結構的作用

神經網絡結構體現了結構和算法的統一，是硬件和軟件的混合體，神經元矩陣即是如此。人工神經網絡既可以用傳統計算機來模擬，也可以用集成電路芯片組成神經計算機，甚至還可以生物芯片方式實現，因此研制電子神經網絡計算機潛力巨大。如何讓傳統的計算機、人工智能技術和神經網絡計算機相融合也是前沿課題，具有十分誘人的前景。

4.4 促進信息科學和生命科學的相互融合

信息科學與生命科學的相互交叉、相互促進、相互滲透是現代科學的一個顯著特點。神經網絡與各種智能處理方法有機結合具有很大的發展前景，如與專家系統、模糊邏輯、遺傳算法、小波分析等相結合，取長補短，可以獲得更好的應用效果。

參考文獻

[1]鐘珞.饒文碧.鄒承明著.人工神經網絡及其融合應用技術.科學出版社.

神經網絡特征范文第4篇

[關鍵詞] BP神經網絡 圖像分類 Matlab 自適應特征因子 收斂速度 精度

中圖分類號：P23 文獻標識碼：A 文章編號：1009-914X（2014）07-0321-03

1.引言

衛星遙感對地觀測技術是人類獲取資源環境動態信息的重要手段，無論是專業信息提取、動態變化預測、還是專題地圖制作和遙感數據庫的建立等都離不開分類。在數學方法的引入和模型研究的進展為影像的分類注入了新的活力，不同的數學方法和參數特征因子被引用到模型的研究上來，為模型研究的發展提供了廣闊的天地。而基于改進的BP神經網絡，更是融合了自適應特征因子和非線性函數逼近的網絡模型，不僅學習速度快，而且有高度復雜的映射能力。

2.人工神經網絡的分類方法

人工神經網絡（Artificial Neural Network， ANN ）是基于生物神經系統的分布存儲、并行處理及自適應學習這些現象構造出具有一些低級智慧的人工神經系統【1】。其概念是在20世紀40年代中期由McCulloch和Pitts提出的，70年代得到應用，80年代以來，隨著計算機技術的發展而得到了快速的發展，屬于非線性學科，具有強抗干擾性、高容錯性、并行分布式處理、自組織學習和分類精度高等特點。

近年來，神經網絡被廣泛應用于遙感圖像分類中，不同學者分別提出或應用了Hopfield神經網絡、BP網絡、自組織映射網絡、小波神經網絡、細胞神經網絡、模糊神經網絡等對遙感圖像進行分類【2】。這些神經神經網絡在遙感圖像自動分類上都有一定的應用，并取得較好的效果。本文基于此，對傳統的BP算法進行了改進，提出了在Matlab軟件提供的神經網絡工具箱中，對BP神經網絡的權值，學習率進行分析。重點是運用數學中自適應特征因子，加快了迭代過程中的收斂速度，而且使精度更高。

3.BP神經網絡

BP神經網絡是一種通用性較強的前饋網絡，它主要采用模式正向傳遞、誤差信號反向傳播的BP算法，實現輸入到輸出的映射，并且是非線性的，具有結構簡單、可操作性強等優點，目前已被廣泛應用【3】。

3.1 BP算法原理

學習過程由信號的正向傳播與反向傳播兩個過程組成。正向傳播時，輸入樣本從輸入層傳入，經各隱層逐層處理后，傳向輸出層。若輸出層的實際輸出與期望輸出不符合時，則轉入誤差的反向傳播階段。誤差反傳是將輸出誤差以某種形式通過隱層向輸入層逐層反傳，并將誤差分攤給各層的所有單元，從而獲得各層單元的誤差信號，此信號作為修正各單元權值的依據。

3.2 BP學習率的優化算法分析

為了加快神經網絡的學習速度，對學習率的改進是BP算法優化的重要部分。因為BP算法是不斷通過調整網絡權值進行訓練學習的，修正的大小受到學習率的控制，因此學習率的改進對整個網絡的優化是很重要的。為了加快學習速度，研究者提出了很多的優化學習率算法，劉幺和等提出的具體優化公式為[4]： η=Ae-λn. （1）

此算法優于學習率固定的傳統BP算法，減少了網絡學習過程中的學習次數，但同樣存在著其它問題，首先，模型中A的取值范圍并不適用于所有神經網絡，由于它的取值決定了網絡學習率的初始值，通過A確定的網絡初始學習率可能使網絡不收斂。其次，當網絡誤差下降速度快時，該算法反倒使網絡收斂速度比較慢，這說明此時網絡不適應這種情況。

在上述模型中，陳思依據可變學習率的變化，提出了另一改進模型，此方法的思想是，如果網絡權值在實際情況中更新之后使誤差值減小，此時就沒有必要再減少學習率，如果保持原學習率不變，不僅增加了訓練速度，而且修改權值的幅度會大些，訓練效果會更好一些。改進后的模型為[5]：

此算法優點是如果誤差下降速度明顯增快，則說明此時的學習率比較合適訓練，不需調整。

面對現代科技的飛速發展，國內外競相發展以高空間、高光譜和高動態為標志的新型衛星遙感對地觀測技術，提供了海量的信息源，加大了人們對空間的認知，對信息世界的分類利用，但是人們的優化算法遠遠跟不上豐富的信息源。對此，針對上面學習率算法，雖然有很大的改進，但處理速度還遠遠不夠，還需要優化。

3.3 網絡隱層的節點數確定

BP人工神經網絡拓撲結構中，輸入節點與輸出節點是由問題的本身決定的，關鍵在于隱層的層數與隱節點的數目，在Robert Hecht Nielson等人研究指出，只有一個隱層的神經網絡，只要隱節點足夠多，就可以以任意精度逼近一個非線性函數【6】。

因此隱節點的確定關系到整個網絡的處理，下面是關于隱節點數確定的的方法：

其中Hpi隱節點i在學習第p個樣本時輸出，Hpj是隱節點j在學習第p個樣本時的輸出，N為學習樣本總數，而Hpi與Hpj的線性相關程度愈大，互相回歸的離散度越小，反之，則相反。

當同層隱節點i和j的相關程度大，說明節點i和j功能重復，需要合并；當樣本散發度Si過小，說明隱節點i的輸出值變化很少，對網絡的訓練沒起到什么作用，可以刪除。因此根據這樣規則可以進行節點動態的合并與刪除。

4.特征因子算法加入

神經網絡在遙感圖像分類中的優勢越來越明顯，很多人對其進行了研究與應用。對此，本文對前人的算法進行了優化，主要是進行網絡權值修正速度的加速，在算法優化中，引入了數學中的特征因子加速收斂方法，其保證精度下，使網絡的迭代收斂速度大大加快。

具體算法思想過程如下：在BP神經網絡學習階段，當遙感圖像的特征樣本數據由輸入層到隱含層，然后再傳輸到輸出層，最后得到的輸出數據與目標數據會產生誤差，然后在返回到隱含層來調整網絡權值，直至誤差達到所要求的精度范圍為止。在迭代過程中，為了使誤差迅速減小到精度范圍內，特征因子算法被引入到網絡權值調整上：

在第一次迭代 ：

其中x0為輸入向量，y1為第一次輸出向量，T為目標向量，第一次迭代生成的T1為目標向量T的近似值，Tk+1為迭代N次（1，2，3，…）目標向量T的近似值。在運用特征因子迭代收斂加速方法中，比以往的算法得到優化，加速了網絡權值調整的收斂速度，且使結果的精度得到保證。

5.實驗過程與精度評定

本次實驗是在Matlab環境下開發的神經網絡工具箱中來進行展開的，神經網絡工具箱是MATLAB環境下開發出來的許多工具箱之一。它以人工神經網絡理論為基礎，利用MATLAB編程語言構造出許多典型神經網絡的框架和相關的函數【7】。此工具箱可以用來對BP神經網絡訓練函數的創建，下面是具體的實驗過程：

（1）選取QuickBird衛星影像，在影像上選取各類別的特征樣本，要求樣本數量得足夠多。然后進行特征選取，一般是選取象元的多光譜特征的特征向量，以此確定特征矩陣p。為了方便在訓練階段的學習，需把向量值歸一化，在根據特征向量，確定輸入層節點數為5。

（2）進行BP神經網絡的構建，其中隱層網的節點數是根據前面提到的方法，節點數經過合并與刪除之后最終確定為25；根據待分類影像的類別分別是公路用地、內陸灘涂、旱地、水工建筑用地、裸地、坑塘水面、林地、水庫水面、采礦用地、城市、村莊、水澆地、設施農用地、建制鎮、果園、灌木林地、風景名勝及特殊用地、其他林地、其他草地，輸出層節點數確定19；目標向量可用以下形式表示：

（1，0，0，0，0，0，0，0，0，0，0，0，0，0，0，0，0，0，0） 表示公路用地

（0，1，0，0，0，0，0，0，0，0，0，0，0，0，0，0，0，0，0） 表示內陸灘涂

（0，0，1，0，0，0，0，0，0，0，0，0，0，0，0，0，0，0，0） 表示旱地

（0，0，0，1，0，0，0，0，0，0，0，0，0，0，0，0，0，0，0） 表示水工建筑用地

（0，0，0，0，1，0，0，0，0，0，0，0，0，0，0，0，0，0，0） 表示裸地

（0，0，0，0，0，1，0，0，0，0，0，0，0，0，0，0，0，0，0） 表示坑塘水面

（0，0，0，0，0，0，1，0，0，0，0，0，0，0，0，0，0，0，0） 表示林地

（0，0，0，0，0，0，0，1，0，0，0，0，0，0，0，0，0，0，0） 表示水庫水面

以此類推直到最后類別的表示……

（0，0，0，0，0，0，0，0，0，0，0，0，0，0，0，0，0，0，1） 表示其他草地

調用Matlab神經網絡工具箱中的函數，另外為了加入特征因子算法，需要創建網絡的權值學習函數learnc，p1是輸入訓練樣本，p2是輸入未知樣本向量。部分代碼如下：

net=newff（minmax（p），[25，19]，{‘tansig’，‘logsig’}，‘traingdx’，‘learnc’）；

net.trainParam.show=300；

net.traimParam.epochs=1600；

net.train.goal=0.01；

net=init（net）；

net=train（net，p1，T）；

Ye=sim（net，p2）；

（3）在步奏（2）的基礎上，進行訓練學習。創建的網絡權值函數加入特征因子后，在學習階段收斂速度明顯增快 。使調整后的網絡權值盡快達到了用戶設定精度范圍。

（4）學習階段完成后，開始進行分類階段。把未分類的QuickBird衛星影像的特征向量值輸入到神經網絡中，進行分類，根據輸出向量y與目標向量T進行對比，然后把象元分類到自己所屬的類別區。直到影像被分類完為止。

（5）分類結果圖如下：

（6） 下面是對分類結果進行精度評定，采用誤差矩陣法來評定精度?？傮w精度可達到93.89%，其他各個類別的用戶精度和生產者精度都很高，最低的不低于82.43%，滿足用戶的需求，達到使用的目的。

6.結束語

BP神經網絡的非線性映射，自適應功能等優勢已在遙感圖像分類中得到廣泛的應用，本文基于前人的優化算法，提出了在網絡權值調整過程中的特征因子迭代加速算法，使學習階段的權值調整速度明顯加快。但在分類精度上改變較小，在提高精度上，是以后繼續研究改進的方向。

參考文獻

[1] 葉世偉 史忠植（譯） 神經網絡原理 北京：機械工業出版社，2004

[2] Dony R D，et al. Neural network approaches to image compression[J].Proc IEEE，1995，83：288-303.

[3] 史忠植.智能科學[M].北京：清華大學出版社，2006.

[4] 劉幺和，陳睿，彭偉，等.一種BP神經網絡學習率的優化設計[J].湖北工業大學學報，2007，22（3）：1-3.

[5] 陳思 一種BP神經網絡學習率的改進方法[J].長春師范學院學報（自然科學版），2010.8.25-27

[6] 李曉峰，徐玖平，王蔭清等。BP人工神經網絡自適應學習算法的建立及其應用[J].系統工程理論與實踐，2004.5 . 3-4

[7] 樓順天，等.《基于Matlab的系統分析與設計---神經網絡》. 西安：西安電子科技大學出版社，2000.8.23-40

神經網絡特征范文第5篇

論文摘要：分析了模擬電路故障診斷的重要性和目前存在的困難，對基于小渡分析理論和神經網絡理論的模擬電路故障診斷方法進行了綜述．指出了小波神經網絡應用于模擬電路故障診斷存在的問題和未來的應用前景。

模擬電路故障診斷在理論上可概括為:在已知網絡拓撲結構、輸人激勵和故障響應或可能已知部分元件參數的情況下，求故障元件的參數和位置。

盡管目前模擬電路故障診斷理論和方法都取得了不少成就，提出了很多故障診斷方法，如故障字典法、故障參數識別法、故障驗證法等。但是由于模擬電路測試和診斷有其自身困難，進展比較緩慢。其主要困難有:模擬電路中的故障模型比較復雜，難以作簡單的量化;模擬電路中元件參數具有容差，增加了故障診斷的難度;在模擬電路中廣泛存在著非線性問題，為故障的定位診斷增加了難度;在一個實用的模擬電路中，幾乎無一例外地存在著反饋回路，仿真時需要大量的復雜計算;實際的模擬電路中可測電壓的節點數非常有限.導致可用于作故障診斷的信息量不夠充分，造成故障定位的不確定性和模糊性。

因此，以往對模擬電路故障診斷的研究主要停留在中小規模線性無容差或小容差的情況，有些方法也已成功地應用于工程實際。但如何有效地解決模擬電路的容差和非線性問題，如何解決故障診斷的模糊性和不確定性等是今后迫切需要解決的問題。小波神經網絡則因其利于模擬人類處理問題的過程、容易顧及人的經驗且具有一定的學習能力等特點，所以在這一領域得到了廣泛應用。

1小波分析理論在模擬電路故障診斷中的應用現狀分析

簡單地講，小波就是一個有始有終的小的“波浪”小波分析源于信號分析，源于函數的伸縮和平移，是Fourier分析、Gabor分析和短時Fourier分析發展的直接結果。小波分析的基木原理是通過小波母函數在尺度上的伸縮和時域上的平移來分析信號，適當選擇母函數.可以使擴張函數具有較好的局部性，小波分析是對信號在低頻段進行有效的逐層分解，而小波包分析是對小波分析的一種改進，它為信號提供了一種更加精細的分析方法，對信號在全頻段進行逐層有效的分解，更有利于提取信號的特征。因此，它是一種時頻分析方法。在時頻域具有良好的局部化性能并具有多分辨分析的特性，非常適合非平穩信號的奇異性分析。如:利用連續小波變換可以檢測信號的奇異性，區分信號突變和噪聲，利用離散小波變換可以檢測隨機信號頻率結構的突變。

小波變換故障診斷機理包括:利用觀測器信號的奇異性進行故障診斷以及利用觀測器信號頻率結構的變化進行故障診斷。小波變換具有不需要系統的數學模型、故障檢測靈敏準確、運算量小、對噪聲的抑制能力強和對輸入信號要求低的優點。但在大尺度下由于濾波器的時域寬度較大，檢測時會產生時間延遲，且不同小波基的選取對診斷結果也有影響。在模擬電路故障診斷中，小波變換被有效地用來提取故障特征信息即小波預處理器之后，再將這些故障特征信息送人故障分類處理器進行故障診斷。小波分析理論的應用一般被限制在小規模的范圍內，其主要原因是大規模的應用對小波基的構造和存儲需要的花費較大。

2神經網絡理論在模擬電路故障診斷中的應用分析

人工神經網絡(ANN)是在現代神經科學研究成果的基礎上提出來的，是一種抽象的數學模型，是對人腦功能的模擬。經過十幾年的發展，人工神經網絡已形成了數十種網絡，包括多層感知器Kohomen自組織特征映射、Hopfield網絡、自適應共振理論、ART網絡、RBF網絡、概率神經網絡等。這些網絡由于結構不同，應用范圍也各不相同。由于人工神經網絡本身不僅具有非線性、自適應性、并行性、容錯性等優點以及分辨故障原因、故障類型的能力外，而且訓練過的神經網絡能儲存有關過程的知識，能直接從定量的、歷史故障信息中學習。所以在20世紀80年代末期，它已開始應用于模擬電路故障診斷。隨著人工神經網絡的不斷成熟及大量應用，將神經網絡廣泛用于模擬電路的故障診斷已是發展趨勢。BY神經網絡由于具有良好的模式分類能力，尤其適用于模擬電路故障診斷領域，因而在模擬電路故障診斷系統中具有廣泛的應用前景，也是目前模擬電路故障診斷中用得較多而且較為有效的一種神經網絡。 　3小波神經網絡的應用進展分析

3，1小波分析理論與神經網絡理論結合的必要性

在神經網絡理論應用于模擬電路故障診斷的過程中，神經網路對于隱層神經元節點數的確定、各種參數的初始化和神經網絡結構的構造等缺乏更有效的理論性指導方法，而這些都將直接影響神經網絡的實際應用效果。小波分析在時域和頻域同時具有良好的局部化特性，而神經網絡則具有自學習、并行處理、自適應、容錯性和推廣能力二因此把小波分析和神經網絡兩者的優點結合起來應用于故障診斷是客觀實際的需要。

目前小波分析與神經網絡的結合有兩種形式，一種是先利用小波變換對信號進行預處理，提取信號的特征向量作為神經網絡的輸人，另一種則是采用小波函數和尺度函數形成神經元，達到小波分析和神經網絡的直接融合第一種結合方式是小波神經網絡的松散型結合，第二種結合方式是小波神經網絡的緊致型結合。

3.2小波分析理論與神經網絡理論的結合形式

小波與神經網絡的松散型結合，即:用小波分析或小波包分析作為神經網絡的前置處理手段，為神經網絡提供輸人特征向魚具體來說就是利用小波分析或小波包分析，把信號分解到相互獨立的頻帶之內，各頻帶內的能童值形成一個向覺，該向童對不同的故障對應不同的值，從而可作為神經網絡的輸入特征向量一旦確定神經網絡的輸入特征向童，再根據經驗確定采用哪種神經網絡及隱層數和隱層單元數等，就可以利用試驗樣本對神經網絡進行訓練，調整權值，從而建立起所需的小波神經網絡模型。

小波與神經網絡的緊致型結合，即:用小波函數和尺度函數形成神經元，達到小波分析和神經網絡的直接融合，稱為狹義上的小波神經網絡，這也是常說的小波神經網絡。它是以小波函數或尺度函數作為激勵函數，其作用機理和采用Sigmoid函數的多層感知器基本相同。故障診斷的實質是要實現癥狀空間到故障空間的映射，這種映射也可以用函數逼近來表示。小波神經網絡的形成也可以從函數逼近的角度加以說明。常見的小波神經網絡有:利用尺度函數作為神經網絡中神經元激勵函數的正交基小波網絡、自適應小波神經網絡、多分辨率小波網絡、區間小波網絡等。

3.3小波分析理論與神經網絡理論結合的優點

小波神經網絡具有以下優點:一是可以避免M LY等神經網絡結構設計的育目性;二是具有逼近能力強、網絡學習收斂速度快、參數的選取有理論指導、有效避免局部最小值問題等優點。

在模擬電路故障診斷領域，小波神經網絡還是一個嶄新的、很有前途的應用研究方向。隨著小波分析理論和神經網絡理論的不斷發展，小波神經網絡應用于模擬電路故障診斷領域將日益成熟。