文档介绍：电气设备故障诊断
第九讲人工神经元网络及其
在电气设备故障诊断技术中的应用
序:传统人工智能的局限性及解决途径
传统AI的基础是逻辑推理,且是在冯·诺依曼串行机上实现的,它要具备两个条件才能进行:
将处理的问题都化成符号序列表示
要给出处理这些符号的规则
传统AI能解决的问题完全局限于人的逻辑思维所能解决的问题之内,,还有形象思维与逻辑表象等,因而单靠传统的AI不能很好地模拟智能。另外,对于无法形式化的问题;难以用AI来求解。
最主要的局限——难以学习,不具有学习的系统很难模拟智能。要在基于逻辑推理的系统中实现学习虽不能说不可能,至目前难有大的进展。
人工神经元网络具有自学习能力,将其与传统AI结合起来是模拟智能的很好的途径
ANN是一种模仿人脑行为及其活动过程的推理分析方法,它具有自学习能力,能从一系列的数据中综合出规律性的知识——较为有效地解决了专家系统知识获取困难。
一般认为,最早用数学模型对神经系统中的神经元进行理论建模的是美国心理学家麦卡洛克()和数学家皮茨()。1943年建立了MP神经元模型。
MP神经元模型首次用简单的数学模型模仿出生物神经元活动功能,并揭示了通过神经元的相互连接和简单的数学计算,可以进行相当复杂的逻辑运算这一令人兴奋的事实。
人工神经元网络具有自学习能力,将其与传统AI结合起来是模拟智能的很好的途径
ANN是一种模仿人脑行为及其活动过程的推理分析方法,它具有自学习能力,能从一系列的数据中综合出规律性的知识——较为有效地解决了专家系统知识获取困难。
1957年,美国计算机学家罗森布拉特提出了著名的感知器Perceptron模型。它是一个具有连续可调权值矢量的MP神经网络模型,经过训练可达到对一定输入矢量模式进行识别的目的。
1959年,当时的另外两位美国工程师威德罗和霍夫提出了自适应线性元件(Adaptive linear element)它是感知器的变化形式,尤其在权失量的算法上进行了改进,提高了训练收敛速度和精度。他们从工程实际出发,不仅在计算机上模拟了这种神经网络,而且还做成了硬件,并将训练后的人工神经网络成功地用于的小通讯中的回波和噪声,成为第一个用于解决实际问题的人工神经网络。
人工神经元网络具有自学习能力,将其与传统AI结合起来是模拟智能的很好的途径
ANN是一种模仿人脑行为及其活动过程的推理分析方法,它具有自学习能力,能从一系列的数据中综合出规律性的知识——较为有效地解决了专家系统知识获取困难。
1969年,人工智能的创始人之一明斯基和帕伯特在合著的《感知器》一书中对以单层感知器为代表的简单人工神经网络的功能及局限性进行了深入分析。他们指出,单层感知器只能进行线性分类,对线性不可分的输入模式无能为力,而其解决的办法是设计出具有隐含层的多层神经网络,但是要找到一个有效修正权矢量的学习算法并不容易。这一结论使得当时许多神经网络研究者感到前途渺茫,客观上对神经网络理论的发展起了一定的消极作用。
人工神经元网络具有自学习能力,将其与传统AI结合起来是模拟智能的很好的途径
ANN是一种模仿人脑行为及其活动过程的推理分析方法,它具有自学习能力,能从一系列的数据中综合出规律性的知识——较为有效地解决了专家系统知识获取困难。
美国学者霍普菲尔德对人工神经网络研究的复苏起到了关键性的作用。1982年,他提出了霍普菲尔的网络模型,将能量函数引入到对称反馈网络中,网络稳定性有了明显的判据,并利用提出的网络的神经计算能力来解决条件优化问题。另外,霍普菲尔德网络模型可以用电子模拟线路来实现,从而由此还兴起了对新一代电子神经计算机的研究。
1984年,提出了连续时间Hopfield神经网络模型,为神经计算机的研究做了开拓性的工作,开创了神经网络用于联想记忆和优化计算的新途径
另一个突破性的研究成果是儒默哈特等人在1986年提出的解决多层神经网络权值修正的算法误差反向传播法,简称BP算法,找到了解决明斯基和帕伯特提出的问题的办法,从而给人工神经网络增添了活力。
人工神经元网络具有自学习能力,将其与传统AI结合起来是模拟智能的很好的途径
ANN是一种模仿人脑行为及其活动过程的推理分析方法,它具有自学习能力,能从一系列的数据中综合出规律性的知识——较为有效地解决了专家系统知识获取困难。
神经网络在电力系统中得到应用
1975年Dillon等人首先运用自学习机对电力系统负荷预报进行了研究;
,并对一个实际系统进行了分析;
;