人工神经元网络及其教学课件

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,完全是一种逻辑思维的模拟.而人脑除逻辑思维外,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(W.McCulloch)和数学家皮茨(w.Pity。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(Adaptivelinearelement)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,不仅在计算杋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杈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1989年S.Ebron等人提出用BP模型进行配电网馈电线的初期故障检测。特别是近十年来,利用ANN进行动态安全分析、警报处理、皆波负荷识别、经济调度、系统初期故障诊断、无功的实时控制以及同步电机模拟、预想事故选择等方面的研究越来越多,为电力系统的规划、运行和控制提供了新的方法人工神经网络(ANN)原理人工神经元网络模型(ArtificialneuralNetwork-ANN)又称连接机制模型(Connectionismmoda)并行分布处理模型(ParalleldistributedProcessinModel)由大量简单元件广泛连接而成的,用以模拟人脑行为的复杂网络系统.研究这一系统的根本目的是探索人脑信息处理、储存和搜索的机制属于AI的一个分支节点函数突触细胞体单元j(a)(生物)神经元b)(人工)神经元示意图每一神经元通过树突接收和组合从其它许多神经元送来的信号如果组合的信号足够强,则该神经元处于激话(activation)状态,产生一个输出信号(反之则处于抑制状态)。通过轴突与突触的许多分支终端传递到周围神经元的输入端一树突,到达神经元输入端的信号的强度取