人工神經(jīng)元網(wǎng)絡(luò)及其教學(xué)課件

電氣設(shè)備故障診斷第九講人工神經(jīng)元網(wǎng)絡(luò)及其在電氣設(shè)備故障診斷技術(shù)中的應(yīng)用序:傳統(tǒng)人工智能的局限性及解決途徑傳統(tǒng)AI的基礎(chǔ)是邏輯推理,且是在馮·諾依曼串行機(jī)上實(shí)現(xiàn)的,它要具備兩個(gè)條件才能進(jìn)行傳統(tǒng)AI能解決的問題完全局限于人的邏輯思維所能解決的問題之內(nèi),完全是一種邏輯思維的模擬.而人腦除邏輯思維外,還有形象思維與邏輯表象等,因而單靠傳統(tǒng)的AI不能很好地模擬智能。另外,對(duì)于無法形式化的問題;難以用AI來求解最主要的局限難以學(xué)習(xí),不具有學(xué)習(xí)的系統(tǒng)很難模擬智能。要在基于邏輯推理的系統(tǒng)中實(shí)現(xiàn)學(xué)習(xí)雖不能說不可能,至目前難有大的進(jìn)展。人工神經(jīng)元網(wǎng)絡(luò)具有自學(xué)習(xí)能力,將其與傳統(tǒng)AI結(jié)合起來是模擬智能的很好的途徑ANN是一種模仿人腦行為及其活動(dòng)過程的推理分析方法它具有自學(xué)習(xí)能力,能從一系列的數(shù)據(jù)中綜合出規(guī)律性的知識(shí)較為有效地解決了專家系統(tǒng)知識(shí)獲取困難。一般認(rèn)為,最早用數(shù)學(xué)模型對(duì)神經(jīng)系統(tǒng)中的神經(jīng)元進(jìn)行理論建模的是美國(guó)心理學(xué)家麥卡洛克(W.McCulloch)和數(shù)學(xué)家皮茨(w.Pity。1943年建立了MP神經(jīng)元模型MP神經(jīng)元模型首次用簡(jiǎn)單的數(shù)學(xué)模型模仿出生物神經(jīng)元活動(dòng)功能,并揭示了通過神經(jīng)元的相互連接和簡(jiǎn)單的數(shù)學(xué)計(jì)算,可以進(jìn)行相當(dāng)復(fù)雜的邏輯運(yùn)算這一令人興奮的事實(shí)。人工神經(jīng)元網(wǎng)絡(luò)具有自學(xué)習(xí)能力,將其與傳統(tǒng)AI結(jié)合起來是模擬智能的很好的途徑ANN是一種模仿人腦行為及其活動(dòng)過程的推理分析方法它具有自學(xué)習(xí)能力,能從一系列的數(shù)據(jù)中綜合出規(guī)律性的知識(shí)較為有效地解決了專家系統(tǒng)知識(shí)獲取困難。1957年,美國(guó)計(jì)算機(jī)學(xué)家羅森布拉特提出了著名的感知器Perceptron模型。它是一個(gè)具有連續(xù)可調(diào)權(quán)值矢量的MP神經(jīng)網(wǎng)絡(luò)模型,經(jīng)過訓(xùn)練可達(dá)到對(duì)一定輸入矢量模式進(jìn)行識(shí)別的目的1959年,當(dāng)時(shí)的另外兩位美國(guó)工程師威德羅和霍夫提出了自適應(yīng)線性元件(Adaptivelinearelement)它是感知器的變化形式,尤其在權(quán)失量的算法上進(jìn)行了改進(jìn),提高了訓(xùn)練收斂速度和精度。他們從工程實(shí)際出發(fā),不僅在計(jì)算杋上模擬了這種神經(jīng)網(wǎng)絡(luò),而且還做成了硬件,并將訓(xùn)練后的人工神經(jīng)網(wǎng)絡(luò)成功地用于的小通訊中的回波和噪聲,成為第一個(gè)用于解決實(shí)際問題的人工神經(jīng)網(wǎng)絡(luò)人工神經(jīng)元網(wǎng)絡(luò)具有自學(xué)習(xí)能力,將其與傳統(tǒng)AI結(jié)合起來是模擬智能的很好的途徑ANN是一種模仿人腦行為及其活動(dòng)過程的推理分析方法它具有自學(xué)習(xí)能力,能從一系列的數(shù)據(jù)中綜合出規(guī)律性的知識(shí)較為有效地解決了專家系統(tǒng)知識(shí)獲取困難。1969年,人工智能的創(chuàng)始人之一明斯基和帕伯特在合著的《感知器》一書中對(duì)以單層感知器為代表的簡(jiǎn)單人工神經(jīng)網(wǎng)絡(luò)的功能及局限性進(jìn)行了深入分析。他們指出,單層感知器能進(jìn)行線性分類,對(duì)線性不可分的輸入模式無能為力,而其解決的辦法是設(shè)計(jì)出具有隱含層的多層神經(jīng)網(wǎng)絡(luò),但是要找到一個(gè)有效修正權(quán)矢量的學(xué)習(xí)算法并不容易。這一結(jié)論使得當(dāng)時(shí)許多神經(jīng)網(wǎng)絡(luò)研究者感到前途渺茫,客觀上對(duì)神經(jīng)網(wǎng)絡(luò)理論的發(fā)展起了一定的消極作用。人工神經(jīng)元網(wǎng)絡(luò)具有自學(xué)習(xí)能力,將其與傳統(tǒng)AI結(jié)合起來是模擬智能的很好的途徑ANN是一種模仿人腦行為及其活動(dòng)過程的推理分析方法它具有自學(xué)習(xí)能力,能從一系列的數(shù)據(jù)中綜合出規(guī)律性的知識(shí)較為有效地解決了專家系統(tǒng)知識(shí)獲取困難。美國(guó)學(xué)者霍普菲爾德對(duì)人工神經(jīng)網(wǎng)絡(luò)研究的復(fù)蘇起到了關(guān)鍵性的作用。1982年,他提出了霍普菲爾的網(wǎng)絡(luò)模型,將能量函數(shù)引入到對(duì)稱反饋網(wǎng)絡(luò)中,網(wǎng)絡(luò)穩(wěn)定性有了明顯的判據(jù),并利用提出的網(wǎng)絡(luò)的神經(jīng)計(jì)算能力來解決條件優(yōu)化問題。另外,霍普菲爾德網(wǎng)絡(luò)模型可以用電子模擬線路來實(shí)現(xiàn),從而由此還興起了對(duì)新一代電子神經(jīng)計(jì)算機(jī)的研究1984年,提出了連續(xù)時(shí)間Hopfield神經(jīng)網(wǎng)絡(luò)模型,為神經(jīng)計(jì)算機(jī)的研究做了開拓性的工作,開創(chuàng)了神經(jīng)網(wǎng)絡(luò)用于聯(lián)想記憶和優(yōu)化計(jì)算的新途徑另一個(gè)突破性的研究成果是儒默哈特等人在1986年提出的解決多層神經(jīng)網(wǎng)絡(luò)杈值修正的算法誤差反向傳播法,簡(jiǎn)稱BP算法,找到了解決明斯基和帕伯特提出的問題的辦法,從而給人工神經(jīng)網(wǎng)絡(luò)增添了活力。人工神經(jīng)元網(wǎng)絡(luò)具有自學(xué)習(xí)能力,將其與傳統(tǒng)AI結(jié)合起來是模擬智能的很好的途徑ANN是一種模仿人腦行為及其活動(dòng)過程的推理分析方法它具有自學(xué)習(xí)能力,能從一系列的數(shù)據(jù)中綜合出規(guī)律性的知識(shí)較為有效地解決了專家系統(tǒng)知識(shí)獲取困難。神經(jīng)網(wǎng)絡(luò)在電力系統(tǒng)中得到應(yīng)用1989年S.Ebron等人提出用BP模型進(jìn)行配電網(wǎng)饋電線的初期故障檢測(cè)。特別是近十年來,利用ANN進(jìn)行動(dòng)態(tài)安全分析、警報(bào)處理、皆波負(fù)荷識(shí)別、經(jīng)濟(jì)調(diào)度、系統(tǒng)初期故障診斷、無功的實(shí)時(shí)控制以及同步電機(jī)模擬、預(yù)想事故選擇等方面的研究越來越多,為電力系統(tǒng)的規(guī)劃、運(yùn)行和控制提供了新的方法人工神經(jīng)網(wǎng)絡(luò)(ANN)原理人工神經(jīng)元網(wǎng)絡(luò)模型(ArtificialneuralNetwork-ANN)又稱連接機(jī)制模型(Connectionismmoda)并行分布處理模型(ParalleldistributedProcessinModel)由大量簡(jiǎn)單元件廣泛連接而成的,用以模擬人腦行為的復(fù)雜網(wǎng)絡(luò)系統(tǒng).研究這一系統(tǒng)的根本目的是探索人腦信息處理、儲(chǔ)存和搜索的機(jī)制屬于AI的一個(gè)分支節(jié)點(diǎn)函數(shù)突觸細(xì)胞體單元j(a)(生物)神經(jīng)元b)(人工)神經(jīng)元示意圖每一神經(jīng)元通過樹突接收和組合從其它許多神經(jīng)元送來的信號(hào)如果組合的信號(hào)足夠強(qiáng),則該神經(jīng)元處于激話(activation)狀態(tài),產(chǎn)生一個(gè)輸出信號(hào)(反之則處于抑制狀態(tài))。通過軸突與突觸的許多分支終端傳遞到周圍神經(jīng)元的輸入端一樹突,到達(dá)神經(jīng)元輸入端的信號(hào)的強(qiáng)度取