您好,欢迎访问三七文档
1.BP神经网络基本原理1.1人工神经元模式神经网络是由大量简单处理单元组成,通过可变权值连接而成的并行分布式图1神经元的一般描述系统。神经元是人工神经网络的基本处理单元,它是一个多输入-单输出的非线性器件,其结构如图1所示。图中,xi为输入信号,wij表示从第i个神经元到第j个神经元的连接权值,θj为第j个神经元的阈值。设sj为外部输入信号,yj为输出信号,在上述模型中第j个神经元的变换可描述为)(ijjiijjsxwfy这里采用的非线性函数f(x)可以是阶跃函数、分段函数及Sigmoid型函数。1.2连接权值人工神经网络的处理单元间相互连接,所有的连接构成一有向图。每一连接对应于一个实数,称为连接权值,或称为权重。权值的集合可看作是长期记忆。我们可以用权矩阵W来表示网络中的连接模式,W中的元素是wij。连接权值的类型一般分为激发和抑制形式,正的权值表示激发连接,相反,负的权值表示抑制连接。连接权值的连接方式是人工神经网络的特征描述。1.3神经网络状态在时刻t,每一个神经元都有一个实数值,称之为神经元状态,也叫做神经元的激励值,用xi表示神经元uj的状态,用X(t)表示神经网络的状态空间。在各种不同的神经网络类型中,状态空间可以作各种不同的假设。状态空间可能是续的,也可能是离散的;可能是有界的,也可能是无界的;可能在一个实数区间上取值,也可能取有限值;最常见的情形是取二值,即0和1两种状态,或-1和1两种状态,亦或是取连续实数值。1.4神经网络的输出对于每一个神经元,都有一个输出,并通过连接权值将输出传送给其相连的处理单元,输出信号直接依赖于处理单元的状态或激励值。这种依赖性通过输出变换函数fj对于处理单元uj的作用来表示。假如我们用zj(t)来定义t时刻神经元的ui输出那么zj(t)=fj(xj(t))或写成向量的形式Z(t)=f(X(t))这里,Z(t)是神经网络的输出向量,f定义为状态向量与每一个分量的对应函数。一般是在区间(0,1)上的有界函数。人工神经网络模型,按它的网络性能分类,可以分成确定性的、随机性的、连续型的和离散型的网络。Hopfield网络模型就存在离散和连续两类。确定性是相对于随机性而言,当网络状态按概率分布变化就呈现了随机性。Boltzmann机就是这种类型的人工神经网络模型,该神经元取0和1两种状态,每个神经元状态的转换是一随机函数。2.BP神经网络模型BP网络模型包括其输入输出模型、作用函数模型、误差计算模型和自学习模型。(1)节点输出模型隐节点输出模型:Oj=f(∑Wij×Xi-j)(1)输出节点输出模型:Yk=f(∑Tjk×Oj-k)(2)f-非线形作用函数;-神经单元阈值。图典型BP网络结构模型(2)作用函数模型作用函数是反映下层输入对上层节点刺激脉冲强度的函数又称刺激函数,一般取为(0,1)内连续取值Sigmoid函数:f(x)=1/(1+e-x)(3)(3)误差计算模型误差计算模型是反映神经网络期望输出与计算输出之间误差大小的函数:Ep=1/2×∑(tpi-Opi)2(4)tpi-i节点的期望输出值;Opi-i节点计算输出值。(4)自学习模型神经网络的学习过程,即连接下层节点和上层节点之间的权重拒阵Wij的设定和误差修正过程。BP网络有师学习方式-需要设定期望值和无师学习方式-只需输入模式之分。自学习模型为△Wij(n+1)=×Фi×Oj+a×△Wij(n)(5)-学习因子;Фi-输出节点i的计算误差;Oj-输出节点j的计算输出;a-动量因子。3.优化BP神经网络在系统安全评价中的应用系统安全评价包括系统固有危险性评价、系统安全管理现状评价和系统现实危险性评价三方面内容。其中固有危险性评价指标有物质火灾爆炸危险性、工艺危险性、设备装置危险性、环境危险性以及人的不可靠性。3.1基于优化BP神经网络的系统安全评价模型图基于优化BP神经网络的系统安全评价模型3.2BP神经网络在系统安全评价中的应用实现(1)确定网络的拓扑结构,包括中间隐层的层数,输入层、输出层和隐层的节点数。(2)确定被评价系统的指标体系包括特征参数和状态参数运用神经网络进行安全评价时,首先必须确定评价系统的内部构成和外部环境,确定能够正确反映被评价对象安全状态的主要特征参数(输入节点数,各节点实际含义及其表达形式等),以及这些参数下系统的状态(输出节点数,各节点实际含义及其表达方式等)。(3)选择学习样本,供神经网络学习选取多组对应系统不同状态参数值时的特征参数值作为学习样本,供网络系统学习。这些样本应尽可能地反映各种安全状态。其中对系统特征参数进行(-∞,∞)区间地预处理,对系统参数应进行(0,1)区间地预处理。神经网络的学习过程即根据样本确定网络的联接权值和误差反复修正的过程。(4)确定作用函数,通常选择非线形S型函数(5)建立系统安全评价知识库通过网络学习确认的网络结构包括:输入、输出和隐节点数以及反映其间关联度的网络权值的组合;即为具有推理机制的被评价系统的安全评价知识库。(6)进行实际系统的安全评价经过训练的神经网络将实际评价系统的特征值转换后输入到已具有推理功能的神经网络中,运用系统安全评价知识库处理后得到评价实际系统的安全状态的评价结果。实际系统的评价结果又作为新的学习样本输入神经网络,使系统安全评价知识库进一步充实。3.3BP神经网络理论应用于系统安全评价中的优点(1)利用神经网络并行结构和并行处理的特征,通过适当选择评价项目,能克服安全评价的片面性,可以全面评价系统的安全状况和多因数共同作用下的安全状态。(2)运用神经网络知识存储和自适应特征,通过适应补充学习样本,可以实现历史经验与新知识完满结合,在发展过程中动态地评价系统的安全状态。(3)利用神经网络理论的容错特征,通过选取适当的作用函数和数据结构,可以处理各种非数值性指标,实现对系统安全状态的模糊评价。
本文标题:计算智能大作业
链接地址:https://www.777doc.com/doc-2041802 .html