文档介绍：Free Powerpoint Templates
基于BP神经网络
的故障诊断及其改进算法的研究
目录
人工神经网络
BP神经网络算法
动量-自适应学****率BP算法及其仿真
人工神经网络
人工神经网络(ANN)是受生物神经网络的启发构造而成,它是在对生物神经网络记忆的信息是存储在神经元之间认识的基础上,把分子和细胞技术所达到的微观层次与行为研究所达到的系统层次结合起来。以数学和物理方法以及信息处理的角度对人脑神经网络进行抽象,并建立某种简化模型,称为人工神经网络。
人工神经网络
ANN由简单的神经元(信息处理单元)互联组成,能接受并处理信息。虽然单个神经元只能进行十分简单的信息处理,但多个神经元连接而成的网络却具有强大的计算能力。网络的信息处理是由处理单元之间的相互作用实现。改变神经元之间的连接方式和连接强度就可
以改变神经网络的计算效果,知识与信息的存储,则表现为处理单元之间分布式的物理联系。
人工神经网络
基于神经网络的智能故障诊断和其他智能故障诊断的优势
1)分布式存储
2)很强的自学****能力和对环境的自适应能力
3)诊断耗时少
4)易建模
5)抗干扰
6)信息融合性佳
人工神经网络
神经网络的学****规则
目前学****算法的学****规则一般可以分为三类有指导学****规则、无指导学****规则、增强学****规则
有指导学****网络是神经网络发展的主流
其中具有代表性的有:Hebb规则,Delta规则,梯度下降学****规则。
BP神经网络算法
1986年Rumelhart,Hinton和Williams完整而简明地提出一种ANN的误差反向传播训练算法(简称BP算法),系统地解决了多层网络中隐含单元连接权的学****问题,由此算法构成的网络我们称为BP网络。BP网络是前向反馈网络的一种,也是当前应用最为广泛的一种网络。
BP神经网络算法
BP神经网络算法的实现过程
误差反传算法的主要思想是把学****过程分为两个阶段:
第一阶段(正向传播过程),给出输入信息通过输入层经隐含层处理并计算每个单元的实际输出值
第二阶段(反向过程),若在输出层未能得到期望的输出值,则逐层递归地计算实际输出与期望输出之差值(即误差)
BP神经网络算法
BP神经网络算法的实现过程