动车组检修技术与设备作业(二)

动车组检修技术与设备作业（二）班级：铁道车辆1班姓名：丘启鉴学号：20116425教师：动车组检修技术与设备1一、查阅人工神经网络在故障诊断方面的应用文献，写总结。答：主要有两个侧重点：概念清晰；进行必要的查询时能从书本上找到答案。1、人工神经网络的概述人工神经网络的概念：在对人脑神经网络的基本认识的基础上，用数理方法从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，称之为人工神经网络，是对人脑的简化、抽象以及模拟，是一种旨在模仿人脑结构及其功能的信息处理系统。它是由许多简单的并行工作的处理单元组成的系统，其功能会因网络结构、连接强度以及各单元的处理方式的不同而不同。神经网络的结构特点：信息处理的并行性、信息存储的分布性、信息处理单元的互联性、结构的可塑性。神经网络内在的并行性与分布性表现在其信息的存储于处理都是空间上分布、时间上并行的。性能特点：高度的非线性、良好的容错性和计算的非精确性。能力特征：自学习、自组织（重构）与自适应性。神经网络的基本功能：联想记忆：自联想记忆与异联想记忆；非线性映射；分类与识别；优化计算；知识处理。2、人工神经网络建模基础神经元所产生的信息是具有电脉冲形式的神经冲动，脉冲的宽度和幅度相同，但是间隔是随机变化的。人脑中，外界的刺激不同可以改变神经元之间的突触关系，即突触厚膜电位的方向以及大小，从突触信息传递的角度来看，表现为放大倍数和极性的变化。人工神经网络是在现代神经生物学研究基础上提出的模拟生物的过程，反映人脑某些特性的一种计算结构，是人脑神经系统的一种抽象、简化和模拟而不是对它的真实描写。神经网络的基本器件是神经元和突触。人工神经网络当中的神经元是处理单元，也称之为节点。人工神经元是对生物神经元的信息处理过程的抽象模拟，通过数学语言对其进行描述，对其结构和功能进行模拟，用模型图予以表达。在神经元的变换函数这节中讲述了四种不同的变换函数，分别是阀值型变换函数，非线性变换函数（单极以及双极的Sigmoid函数，即s型函数），分段线性变换函数，概率型变换函数。人工神经网络模型可以按照网络连接的拓扑结构（神经元间的联系方式）分类，还有内部信息流向。单纯型层次网络结构，定义见BP35（就是说每一层的神经元只接受来自上一层的信息，并且只负责把信息传递到下一层，神经元内部以及各个神经元之间没有信息交流)也可称为前馈层次型层次型结构输入层与输出层之间有连接的层次网络结构，与上一种结构不同的是，输入层神经单元具有信息处理功能，也可称为输入输出有反馈的前馈层次型层内有互联的层次网络结构，与第一种结构不同的是这一种结构的同一层神经元之间有互联，也可称为前馈层内互联型拓扑结构（1）全互联型，网络中每个节点都与所有其他节点相连接，也可称为反馈前互联型互连型结构（2）局部互联型，网络中每个节点只与其邻近节点相连接，也可称为反馈局部互联型（3）稀疏连接性，网络节点只与少数相距较远的节点相连接前馈型网络：单纯前馈型与单纯型层次网络结构完全相同网络信息流向型反馈型网络：单纯反馈型网络与输入层与输出层之间有连接的层次网络结构完全相同（按功能分成若干层，包括输入层，隐层，输出层）网络中任意两个节点之间都可能存在连接路径，根据互联程度对这种结构进行划分动车组检修技术与设备2决定神经网络特性的三大要素：神经元的变换函数、神经网络的拓扑结构（特点：分布式存储记忆与分布式信息处理、高度互联性、高度并行性和结构可塑性），神经网络的学习方式学习的定义：根据与环境的相互作用而发生的行为改变，其结果将导致对外界刺激产生反应的新模式的建立。学习过程就是经过训练使个体在行为上产生较持久的改变的过程。通过不停地学习以及训练，改变拓扑结构以及权重值，目的是是输出值与期望值更加接近，这就是学习的过程。人工神经网络的功能特性由拓扑结构以及突触之间连接的强度即权重值决定。学习规则/算法：改变权重值的规则，可能是某一非线性函数。有导师/教师/监督学习：通俗的讲就是给定一个输入值和期望输出值，如果得到的实际值与期望值相差太大，则调整权重值使直到输出值与期望值，之前并没有先验信息。之前这种做法就像有教师指导一般，在学习之后，如果可以输出期望值的时候，就说明学会了。无导师/教师/监督学习：这种方法本身具有特定的内部结构和信息处理方式学习算法，是可以根据大量的动态输入数据，在总结、提炼的基础上找到规律和模式，自动调整拓扑结构和权值，这是个自组织的过程，通过不断地调节之后，使其结构具有适应需求的特性。灌输式学习：它对信息处理的模式和方法是特定的，只能对相应的例子做出对应的判断通用学习规则：权向量在某一时刻的调整量与该时刻的输入向量和学习信号的乘积成正比。权向量的调整量的数学表达式在（BP39），该表达式表明权向量的改变量与权向量，输入量，以及教师信号们还有决定学习效率的学习常数有关。感知器是一种前馈神经网络，具有分层结构，信息从输入层传入从输出层传出。可分为单层感知器和多层感知器。BP网络也是多层感知器,其主要能力有三种：非线性映射能力：对难以得到解析解，缺乏专家经验，能够表示和转化为模式识别或非线性映射的问题可以进行模拟。泛化能力：相当于自组织学习能力我觉得，就是说在不断地样本输入，不断地训练学习之下，以后可以独立的映射解决问题。容错能力：输入样本的缺陷不会影响到对正确的输出，它可以根据以前大量的样本对提取统计特性，反映正确规律。动车组检修技术与设备3二、基于Matlab，用BP网络解决模式识别答：经网络具有非线性自适应的信息处理能力，克服了传统人工智能方法对于直觉的缺陷，因而在神经专家系统、模式识别、智能控制、组合优化、预测等领域得到成功应用[2]。神经网络与其他传统方法相组合，将推动人工智能和信息处理技术不断发展。近年来，神经网络在模拟人类认知的道路上更加深入发展，并与模糊系统、遗传算法、进化机制等组合，形成计算智能，成为人工智能的一个重要方向。MATLAB是一种科学与工程计算的高级语言，广泛地运用于包括信号与图像处理，控制系统设计，系统仿真等诸多领域。为了解决神经网络问题中的研究工作量和编程计算工作量问题，目前工程领域中较为流行的软件MATLAB，提供了现成的神经网络工具箱（NeuralNetworkToolbox，简称NNbox）[3]，为解决这个矛盾提供了便利条件。神经网络工具箱提供了很多经典的学习算法，使用它能够快速实现对实际问题的建模求解。在解决实际问题中，应用MATLAB语言构造典型神经网络的激活传递函数，编写各种网络设计与训练的子程序，网络的设计者可以根据需要调用工具箱中有关神经网络的设计训练程序，使自己能够从烦琐的编程中解脱出来，减轻工程人员的负担，从而提高工作效率。利用ＶＣ＋＋和ＭＡＴＬＡＢ两种语言进行混合编程，设计开发了遗传ＢＰ神经网络模式识别系统，并利用该系统对两个实际的模式识别问题进行了模式分类训练和测试，结果表明本文提出的ＧＡ－ＢＰ算法有效克服了网络训练时容易陷入局部极小值，导致网络训练失败的缺陷，提高了系统的泛化能力。BP神经网络开发环境ｃ＋＋语言是新一代的以面向对象（ＯＯＰ）概念为根本的高级程序设计语言，它的面向对象的概念更加符合程序员开发软件的思维习惯，类封装性和模块化的构造非常适合软件的移植和维护，使用ｃ＋＋开发有助于提高软件工程的质量。Ｖｃ＋＋是美国微软公司利用Ｃ＋＋的底层机理开发的新一代编译器，与其他一些ｃ＋＋编译器相同，都以ｃ冉语言为编译对象，是当前主流的应用程序开发环境之一，开发环境强大，开发的程序执行速度快。但在科学计算方面函数库显得不够丰富、读取、显示数据图形不方便。ＭＡＴＬＡＢ是一款将数值分析、矩阵计算、信号处理和图形显示结合在一起，包含大量高度集成的函数可供调用，适合科学研究、工程设计等众多学科领域使用的一种简洁、高效的编程工具。ＭＡＴＬＡＢ强大的科学计算与可视化功能，简单易用的开放式可扩展环。动车组检修技术与设备4三、用BP网络逼近一阶线性函数步骤一：网络建立一切准备工作做好后，开始建立网络。在本例中，建立一个两层网络，隐层的传递函数采用tan-sigmoid，输出层采用线性传递函数。隐层神经元初步设计为五个，因为需要得到三个目标，网络输出层设计为三个神经元。net=newff(minmax(ptr),[53],{'tansig''purelin'},'trainlm');步骤二：网络训练进行网络训练，其训练过程如图3.1所示。TrainTestValidation图3.1训练过程net.trainParam.show=5;[net,tr]=train(net,ptr,ttr,[],[],val,test);TRAINLM-calcjx,Epoch0/100,MSE5.23521/0,Gradient5.13228/1e-010TRAINLM-calcjx,Epoch5/100,MSE0.578625/0,Gradient1.62833/1e-010TRAINLM-calcjx,Epoch10/100,MSE0.352352/0,Gradient0.505629/1e-010TRAINLM-calcjx,Epoch15/100,MSE0.340796/0,Gradient0.404806/1e-010TRAINLM-calcjx,Epoch16/100,MSE0.334648/0,Gradient0.513826/1e-010TRAINLM,Validationstop.可以看出，经过20次训练后，由于验证误差的增加，训练停止。将训练误差，验证误差和测试误差绘制在一副图中，如图3.2所示，这样就可以更加直观地观察训练过程。plot(tr.epoch,tr.perf,'-',tr.epoch,tr.vperf,':',tr.epoch,tr.tperf,'-.')legend('Training','Validation','Test',-1);ylabel('平方差');xlabel('时间')动车组检修技术与设备5图3.2训练误差、验证误差、测试误差曲线步骤三：输出结果最后，对网络响应进行分析，将所有的数据都放在整个数据集中，包括训练数据、验证数据和测试数据，然后网络输出和相应的期望输出向量进行线性回归分析。线性回归之前需要对网络输出进行反规范转换，因为有三组输出值，所以应进行三次线性回归。其结果如图3.3所示。an=sim(net,ptrans);a=poststd(an,meant,stdt);fori=1:3figure(i)[m(i),b(i),r(i)]=postreg(a(i,:),t(i,:));%postreg()将三组输出进行线性回归分析End（a）(b)(c)图3.3线性回归结果(a)hdl线性回归；(b)ldl线性回归；(c)vhdl线性回归