1、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上實現(xiàn)的，它要具備兩個條件才能進行：,將處理的問題都化成符號序列表示 要給出處理這些符號的規(guī)則,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)中實現(xiàn)學(xué)習(xí)雖不能說不可能，至目前難有大的進展。,人工神

2、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)律性的知識較為有效地解決了專家系統(tǒng)知識獲取困難。,一般認(rèn)為，最早用數(shù)學(xué)模型對神經(jīng)系統(tǒng)中的神經(jīng)元進行理論建模的是美國心理學(xué)家麥卡洛克（W.McCulloch）和數(shù)學(xué)家皮茨（W.Pitts）。1943年建立了MP神經(jīng)元模型。 MP神經(jīng)元模型首次用簡單的數(shù)學(xué)模型模仿出生物神經(jīng)元活動功能，并揭示了通過神經(jīng)元的相互連接和簡單的數(shù)學(xué)計算，可以進行相當(dāng)復(fù)雜的邏輯運算這一令人興奮的事實。,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

3、智能的很好的途徑,ANN是一種模仿人腦行為及其活動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)律性的知識較為有效地解決了專家系統(tǒng)知識獲取困難。,1957年，美國計算機學(xué)家羅森布拉特提出了著名的感知器Perceptron模型。它是一個具有連續(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)練可達到對一定輸入矢量模式進行識別的目的。 1959年，當(dāng)時的另外兩位美國工程師威德羅和霍夫提出了自適應(yīng)線性元件（Adaptive linear element）它是感知器的變化形式，尤其在權(quán)失量的算法上進行了改進，提高了訓(xùn)練收斂速度和精度。他們從工程實際出發(fā)，不僅在計算機上模擬了這種神經(jīng)網(wǎng)絡(luò)，而且還

4、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，成為第一個用于解決實際問題的人工神經(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)律性的知識較為有效地解決了專家系統(tǒng)知識獲取困難。,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以單層感知器為代表的簡單人工神經(jīng)網(wǎng)絡(luò)的功能及局限性進行了深入分析。他們指出，單層感知器只能進行線性分類，對線性不可分的輸入模式無能為力，而其解決的辦法是設(shè)計出具有隱含層的多層神經(jīng)網(wǎng)絡(luò)，但是要找到一

5、個有效修正權(quán)矢量的學(xué)習(xí)算法并不容易。這一結(jié)論使得當(dāng)時許多神經(jīng)網(wǎng)絡(luò)研究者感到前途渺茫，客觀上對神經(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)律性的知識較為有效地解決了專家系統(tǒng)知識獲取困難。,美國學(xué)者霍普菲爾德對人工神經(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

6、擬線路來實現(xiàn)，從而由此還興起了對新一代電子神經(jīng)計算機的研究。 1984年，提出了連續(xù)時間Hopfield神經(jīng)網(wǎng)絡(luò)模型，為神經(jīng)計算機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)化計算的新途徑 另一個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)權(quán)值修正的算法誤差反向傳播法，簡稱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)律性的知識較為有效地解決了專家系統(tǒng)知識獲

7、取困難。 神經(jīng)網(wǎng)絡(luò)在電力系統(tǒng)中得到應(yīng)用 1975年Dillon等人首先運用自學(xué)習(xí)機對電力系統(tǒng)負荷預(yù)報進行了研究； 1986年SYOH利用模識識別和聯(lián)想記憶的方法進行大規(guī)模電力系統(tǒng)的安全估計，并對一個實際系統(tǒng)進行了分析； 1988年DJSobajic和YHPao應(yīng)用BP算法進行了電力系統(tǒng)動態(tài)安全估計方面的研究；,1989年SEbron等人提出用BP模型進行配電網(wǎng)饋電線的初期故障檢測。 特別是近十年來，利用ANN進行動態(tài)安全分析、警報處理、諧波負荷識別、經(jīng)濟調(diào)度、系統(tǒng)初期故障診斷、無功的實時控制以及同步電機模擬、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、運行和控制提供了新的方法。,人工神

8、經(jīng)網(wǎng)絡(luò)(ANN)原理,人工神經(jīng)元網(wǎng)絡(luò)模型(Artificial Neural NetworkANN) 又稱連接機制模型(Connectionism Modal) 并行分布處理模型(Parallel Distributed Processing Model)， 由大量簡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、儲存和搜索的機制 屬于AI的一個分支,1.組成ANN的基本單元神經(jīng)元,神經(jīng)元人腦的基本細胞單元是。 人腦是由幾百億個神經(jīng)元緊密連接而組成的。神經(jīng)元由樹突、細胞體、軸突與突觸等部分組成。 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

9、號; 如果組合的信號足夠強，則該神經(jīng)元處于激話(activation)狀態(tài)，產(chǎn)生一個輸出信號(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，到達神經(jīng)元輸入端的信號的強度取決于突觸的強度(權(quán)值，Weight)。生物神經(jīng)網(wǎng)絡(luò)就是通過改變突觸的強度而學(xué)習(xí)的突觸是基本記億單元。,2.神經(jīng)元的節(jié)點函數(shù)傳遞函數(shù),3.神經(jīng)元與神經(jīng)元間連接方式,ANN的基本特征,人工神經(jīng)網(wǎng)絡(luò)由大量處理單元(神經(jīng)元、處理元件等)廣泛互聯(lián)組成，反映了人腦的基本特性。 以神經(jīng)元連接與并行機制來簡化、抽象及模擬人腦的邏輯及形象思維能力。高度非線性的大規(guī)?；虺笠?guī)模的動力系統(tǒng)，主要表現(xiàn)為連續(xù)時間的

10、非線性動力性、網(wǎng)絡(luò)的全局作用、大規(guī)模并行處理及高度的魯棒性和學(xué)習(xí)聯(lián)想特性。 在神經(jīng)網(wǎng)絡(luò)系統(tǒng)中，信息的存儲與處理(計算)是合為一體的，網(wǎng)絡(luò)通過大量神經(jīng)元之間的相互聯(lián)系存儲知識與信息，神經(jīng)元之間的大規(guī)模并行分布式的相互作用實現(xiàn)知識信息的處理。,組織成大規(guī)模的復(fù)雜系統(tǒng)，提供了大量可供調(diào)節(jié)的變量； 實現(xiàn)了并行處理的機制(網(wǎng)絡(luò)內(nèi)或?qū)觾?nèi)各個神經(jīng)元可以并行工作和調(diào)整)，實現(xiàn)集體計算，使信息處理速度加快； 信息分布存儲在網(wǎng)絡(luò)內(nèi)神經(jīng)元的連接權(quán)值上，提供了聯(lián)想與記憶的能力；同時由于網(wǎng)絡(luò)結(jié)構(gòu)造成的高度冗余，從而具備高度的容錯性與魯棒性； 基于連接權(quán)值可變性，網(wǎng)絡(luò)拓撲具有強的自適應(yīng)能力； 具備從示例自動學(xué)習(xí)的顯著學(xué)習(xí)

11、能力，使神經(jīng)網(wǎng)絡(luò)能應(yīng)用于具有更多未知理論的領(lǐng)域； 神經(jīng)元處理單元通常很簡單，方便實現(xiàn)規(guī)?；?。,ANN的功能,a有導(dǎo)師學(xué)習(xí)(Supervised Learning)針對對應(yīng)模式 b無導(dǎo)師學(xué)習(xí)(Unsupervised Learning)根據(jù)環(huán)境的變化自行組織。 c聯(lián)想存儲(記憶)有自聯(lián)想和異聯(lián)想,自聯(lián)想記憶設(shè)在訓(xùn)練過程中由ANN存入K個樣本向量，現(xiàn)輸入向量XX(t)+V，其中X(t)是樣本向量之一,V是偏差向量，要求輸出y X(t)。,異聯(lián)想記憶兩樣本間具有一定的對應(yīng)關(guān)系，要求從有噪聲(干擾)的一組樣本聯(lián)想出另一組樣本中與其相對應(yīng)的沒有或有很小干擾的祥本。自聯(lián)想記憶是異聯(lián)想記憶的特例,d優(yōu)化

12、與調(diào)度計算ANN可用于優(yōu)化計算，典型的是Hopfield模型。該模型可用于約束優(yōu)化問題的近似計算，并已成功地用于旅行推銷員問題(Travelling Salesman ProblemTSP)及其它一些優(yōu)化問題的求解。,ANN與傳統(tǒng)AI(包括專家系統(tǒng))在模擬智能方面的主要區(qū)別,傳統(tǒng)AI模擬了人的邏輯思維 ANN主要模擬了人的形象思維,傳統(tǒng)AI適于處理象規(guī)劃、決策和語義理解等較高級的問題，ANN適于解決象模式識別和聯(lián)想記億等較低級的認(rèn)識問題,傳統(tǒng)的AI系統(tǒng)中實現(xiàn)學(xué)習(xí)很難 ANN一個重要特征是能夠?qū)W習(xí),在傳統(tǒng)的專家系統(tǒng)中，知識是以規(guī)則的形式顯示表示的 ANN可從樣本中通過學(xué)習(xí)產(chǎn)生規(guī)則。ANN的學(xué)習(xí)過

13、程是自適應(yīng)式的，當(dāng)重復(fù)地向ANN提供輸入期望的輸出對時，ANN進行自身的調(diào)整與組織，逐步完成期望的由輸入到輸出的映射 ANN的這種無需顯式表示規(guī)則和不要求大量的人力、以及能夠通過學(xué)習(xí)獲得合適的結(jié)構(gòu)的特征使其很適于處理困難的模式識別問題。,ANN與傳統(tǒng)AI(包括專家系統(tǒng))在模擬智能方面的主要區(qū)別,傳統(tǒng)的AI是基于串行的方式實現(xiàn)的 ANN是并行、分布、聯(lián)想式的,用傳統(tǒng)AI解決問題時，通常要花費大量的人力和時間將具體的問題表示成符號序列的形式 ANN模型有些是面向數(shù)據(jù)的，因而要求的人力少,傳統(tǒng)AI系統(tǒng)是采用算法或規(guī)則方式的，僅能完成設(shè)定的任務(wù)，在這種系統(tǒng)中出現(xiàn)任何程度的不可預(yù)測的情況(不常出現(xiàn))時，

14、通常會誤操作。 ANN是非線性動力學(xué)系統(tǒng)，具有不可預(yù)測的特性，與人類有類似的行為在較大的范圍內(nèi)進行學(xué)習(xí),在ANN中，以輸入與期望的輸出對表示的知識是分布存貯于所有處理單元上的 ANN的聯(lián)想特征，使得當(dāng)輸入信息不完全時，仍可選出最接近的匹配模式，產(chǎn)生對應(yīng)于完全輸入信息的輸出。ANN的分布存儲與聯(lián)想特征使得當(dāng)輸入不完整、有噪聲時仍能得出合理的輸出響應(yīng)，具有很強的容錯能力。這使得ANN遠比傳統(tǒng)AI更適于解決復(fù)雜的模式識別問題。,ANN的主要研究領(lǐng)域,A用ANN解決問題時，決定各神經(jīng)元間的連接及其權(quán)值的學(xué)習(xí)算法 包括：確定模型結(jié)構(gòu)、性質(zhì)、訓(xùn)練方法及其效率的研究 ANN是高度非線性動力學(xué)系統(tǒng)，具有非常復(fù)

15、雜的行為每個神經(jīng)元本身是非常簡單的非線性元件，但由它們廣泛連接而成的ANN具有十分復(fù)雜的集體行為，這正是非線性系統(tǒng)的基本特征 研究的重點是ANN的集體行為而非單個神經(jīng)元的性能，因而研究的方法是綜合而非分解。,BANN的微電子或光學(xué)實現(xiàn) ANN具有高度的并行處理與分布式存貯的特性，在馮諾依曼型機上無法實現(xiàn) 研究ANN的硬件實現(xiàn)是一重要課題 兩種實現(xiàn)途徑：光學(xué)實現(xiàn)，可以表示出三維空間上的互連，更能體現(xiàn)ANN的特點，而人腦中的神經(jīng)網(wǎng)絡(luò)也是三維互連的；電子線路或VLSI的特征是二維的,C探索生物神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)及運行機制 模仿人腦，直接方法是研究人腦十分困難 要理想地模擬人的信息處理、儲存和搜索的機制，

16、只能采用這種途徑，當(dāng)然也需要由其它途徑加以促進。,NN的特征 拓撲特征,(1)單層自反饋NN(小容量存儲)；,NN的特征 拓撲特征,(2)多層前饋NN(可大容量存儲),NN的特征 拓撲特征,(3)多層反饋NN(可大容量存儲),NN的特征學(xué)習(xí)特征,NN的特征學(xué)習(xí)特征,NN的穩(wěn)定性特征和收斂特征,神經(jīng)網(wǎng)絡(luò)對外部環(huán)境信息進行處理時，穩(wěn)定性是必須考慮的重要因素。 如果NN在外部環(huán)境刺激下不出現(xiàn)大的擾動，則NN是穩(wěn)定的，反之，NN是不穩(wěn)定的。作為非線性動力學(xué)系統(tǒng)的NN，尋求全局最終穩(wěn)定點(收斂點、平衡點等)。如果NN只存在局部穩(wěn)定點，則該NN只能說是局部穩(wěn)定NN，而不是全局穩(wěn)定NN。 NN的收斂性通常表

17、示為所希望的NN輸出與實際計算的NN輸出之間的最終最小誤差。 NN的收斂和穩(wěn)定是相互聯(lián)系、相輔相成的。李雅普諾夫(Lyapunov)直接方法是判定NN全局穩(wěn)定的常用方法。,主要ANN模型,神經(jīng)網(wǎng)絡(luò)的特性來源于網(wǎng)絡(luò)中神經(jīng)元的互連結(jié)構(gòu),根據(jù)神經(jīng)網(wǎng)絡(luò)連接方式的不同： 不含反饋的前向網(wǎng)絡(luò)(如感知器、BP網(wǎng)絡(luò)等) 反饋網(wǎng)絡(luò)(如Hopfield網(wǎng)絡(luò)、Hamming網(wǎng)絡(luò)等) 層內(nèi)有相互連接的隨機網(wǎng)絡(luò)(如Boltzman機等) 自組織型神經(jīng)網(wǎng)絡(luò)等,常用的學(xué)習(xí)規(guī)則： 相關(guān)規(guī)則(如Hebb規(guī)則) 糾錯規(guī)則(如及廣義學(xué)習(xí)規(guī)則、Boltzman機的模擬退火規(guī)則等) 基于自適應(yīng)學(xué)習(xí)的無教師學(xué)習(xí)規(guī)則等。,神經(jīng)網(wǎng)絡(luò)的模式判

18、斷性能決定于其網(wǎng)絡(luò)模型，包括網(wǎng)絡(luò)結(jié)構(gòu)、網(wǎng)絡(luò)學(xué)習(xí)算法和學(xué)習(xí)樣本,基于糾錯學(xué)習(xí)規(guī)則的前向神經(jīng)網(wǎng)絡(luò)具有結(jié)構(gòu)簡單、學(xué)習(xí)算法方便、善于聯(lián)想記憶與模式識別等顯著優(yōu)點，在著重信息處理與模式識別的故障診斷研究中得到了廣泛的應(yīng)用。,相關(guān)規(guī)則(Hebb),非監(jiān)督學(xué)習(xí)規(guī)則(unsupervised learning) 在生理學(xué)上就是Pavlov的條件反射原理，當(dāng)用一個毫無意義的刺激信號（如鈴的響聲）同時伴有另一個刺激信號（如食物）反復(fù)加給動物的時候，經(jīng)過一段時間的訓(xùn)練后，動物就會建立一種聯(lián)想.當(dāng)再接受到刺激信號時，動物就會產(chǎn)生條件反射.這種類型的學(xué)習(xí)是完全開環(huán)的。,當(dāng)某一突觸兩端的神經(jīng)元激活同步時，該連接的強度應(yīng)加

19、強，反之則應(yīng)減弱。,競爭學(xué)習(xí),基于自適應(yīng)學(xué)習(xí)的無教師學(xué)習(xí)規(guī)則 在學(xué)習(xí)時網(wǎng)絡(luò)每個輸出單元相互競爭，最后只有一個最強激活者修改其連接權(quán)值。,神經(jīng)網(wǎng)絡(luò)的實現(xiàn),1957年弗蘭克羅森布拉特(Frank Rosenblatt)發(fā)明并設(shè)計了Mark l感知器神經(jīng)計算機(具有2020像素圖像傳感器，512個連接權(quán))，用做一個特征識別器,ANN的實現(xiàn)研究的主要目的就是建立第六代智能系統(tǒng)和第六代計算機神經(jīng)計算機。 作為第六代智能系統(tǒng)應(yīng)當(dāng)具有模仿人的大腦行為的特征。作為第六代計算機應(yīng)當(dāng)具有大規(guī)模并行性，機器學(xué)習(xí)功能，自適應(yīng)和自組織，目標(biāo)的直接處理，智能處理器記憶單元等特征。 建立高速神經(jīng)芯片和系統(tǒng)、并行處理系統(tǒng)是A

20、NN實現(xiàn)的關(guān)鍵。,人工神經(jīng)網(wǎng)絡(luò)的診斷應(yīng)用,神經(jīng)網(wǎng)絡(luò)的應(yīng)用包括：網(wǎng)絡(luò)訓(xùn)練和網(wǎng)絡(luò)應(yīng)用兩個層次。網(wǎng)絡(luò)訓(xùn)練即是確定網(wǎng)絡(luò)的模型，包括拓撲結(jié)構(gòu)和節(jié)點函數(shù)及節(jié)點間聯(lián)系；網(wǎng)絡(luò)應(yīng)用則是將需判別樣本施加于網(wǎng)絡(luò)輸入端映射出網(wǎng)絡(luò)輸出或完整信息的過程,在變壓器實時監(jiān)測診斷中，諸如絕緣的局部放電監(jiān)測、色譜分析、常規(guī)試驗等項目的分析均可以采用神經(jīng)網(wǎng)絡(luò)原理，且具有自組織、自學(xué)習(xí)、診斷效率高等顯著優(yōu)點。 首先，將各種監(jiān)測的特征量和響應(yīng)的狀態(tài)模式組織成二維的樣本模型，作為網(wǎng)絡(luò)的訓(xùn)練標(biāo)準(zhǔn)樣本； 然后，通過一定的學(xué)習(xí)算法，動態(tài)地調(diào)整網(wǎng)絡(luò)內(nèi)部結(jié)構(gòu)和聯(lián)系，以反映樣本的本質(zhì)意義； 在應(yīng)用中，將監(jiān)測到的特征信息輸入給網(wǎng)絡(luò)，進行并行計算，得到

21、網(wǎng)絡(luò)輸出，這個輸出就是響應(yīng)的實時監(jiān)測狀態(tài)模式，將用于狀態(tài)判別。,此外，采用自組織模型，神經(jīng)網(wǎng)絡(luò)還能夠用于自動生成用于狀態(tài)分析的特征量。 根據(jù)自適應(yīng)共振理論（Adaptive Resonance Theory，簡稱ART），可以對任意多和任意復(fù)雜的二維模式進行自組織、自穩(wěn)定，即具有自歸一能力，根據(jù)某些特征量在全體中所占的比例，有時作為關(guān)鍵特征，有時又被當(dāng)作噪聲處理，實現(xiàn)在不需要事先已知樣本結(jié)果時的非監(jiān)督學(xué)習(xí)，將訓(xùn)練和應(yīng)用融為一體。,1. 變壓器油中溶解氣體的神經(jīng)網(wǎng)絡(luò)分析模型,1. 變壓器油中溶解氣體的神經(jīng)網(wǎng)絡(luò)分析模型,1. 變壓器油中溶解氣體的神經(jīng)網(wǎng)絡(luò)分析模型,1. 變壓器油中溶解氣體的神經(jīng)網(wǎng)絡(luò)

22、分析模型,2. 用人工神經(jīng)網(wǎng)絡(luò)識別三相放電的數(shù)值仿真研究,放電模型 用譜圖二元表列數(shù)據(jù)進行識別 用曲面擬合參數(shù)進行識別,放電試驗?zāi)Ｐ?放電模型,用譜圖二元表列數(shù)據(jù)進行識別,用人工神經(jīng)網(wǎng)絡(luò)識別放電前,先將-q平面劃分為1820=360個小塊,統(tǒng)計每秒內(nèi)放電發(fā)生的 ,q處于各小塊內(nèi)的次數(shù)n,得到譜圖二元表列數(shù)據(jù),依次作為網(wǎng)絡(luò)輸入。由此,輸入層L=360。 有4種放電類型,取輸出層N=4,相應(yīng)地有4組期望輸出T,取TT值分別為(1,0,0,0),(0,1,0,0,),(0,0,1,0),(0,0,0,1)。 取隱含層M=20,用曲面擬合參數(shù)進行識別,可應(yīng)用的網(wǎng)絡(luò)輸入向量,熒光屏顯示圖譜 放電的熒光屏

23、顯示圖譜包含有豐富的信息。采用模擬量測量裝置,并由CCD相機攝取熒光屏上圖譜,將攝得圖譜中的脈沖高度q作為的函數(shù)以數(shù)字量形式輸出,作為神經(jīng)網(wǎng)絡(luò)的輸入向量。 三維-q-n譜圖 放電的統(tǒng)計特征量 如由-q譜圖提取偏斜度、陡峭度、局部峰點數(shù)(以上3項正負半波分別提取,共6個特征量)、放電量因數(shù)(負、正半周平均放電量之比)、正負半波圖形的互相關(guān)系數(shù)、修正的互相關(guān)系數(shù);由-n譜圖提取偏斜度、陡峭度、尖峰數(shù)(也是6個特征量);總計15個特征量作為網(wǎng)絡(luò)輸入。 放電脈沖波形特征量,如相關(guān)模型參數(shù),可實現(xiàn)的網(wǎng)絡(luò)識別功能,電樹枝長度判斷 空穴尺寸判斷 放電類型判斷 絕緣壽命終點判斷,3.模糊神經(jīng)網(wǎng)絡(luò)在電氣設(shè)備故障

24、檢測與診斷中的應(yīng)用,輸入模糊規(guī)則 輸出轉(zhuǎn)換規(guī)則 訓(xùn)練樣本的組織,應(yīng)用中的注意問題神經(jīng)網(wǎng)絡(luò)與專家系統(tǒng)的結(jié)合,神經(jīng)網(wǎng)絡(luò)專家系統(tǒng)的基本原理 神經(jīng)網(wǎng)絡(luò)專家系統(tǒng)的基本結(jié)構(gòu) 神經(jīng)網(wǎng)絡(luò)專家系統(tǒng)的知識表示 基于神經(jīng)網(wǎng)絡(luò)系統(tǒng)的并行推理,神經(jīng)網(wǎng)絡(luò)專家系統(tǒng)的基本原理,神經(jīng)網(wǎng)絡(luò)系統(tǒng)最主要的特征: 大規(guī)模模擬并行處理 信息的分布式存貯 連續(xù)時間非線性動力學(xué) 全局集體作用 高度的容錯性和魯棒性 自組織、自學(xué)習(xí)及實時處理 直接輸入范例，信息處理分布于大量神經(jīng)元的互連之中，并且具有冗余性，許許多多神經(jīng)元的“微”活動構(gòu)成了神經(jīng)網(wǎng)絡(luò)總體的“宏”效應(yīng)與傳統(tǒng)的AI的差別,神經(jīng)網(wǎng)絡(luò)專家系統(tǒng)的基本原理,分布性是神經(jīng)網(wǎng)絡(luò)之所以能夠觸動專家

25、系統(tǒng)中知識獲取這個瓶頸問題的關(guān)鍵所在。 神經(jīng)網(wǎng)絡(luò)是用大量神經(jīng)元的互連及對各連接權(quán)值的分布來表示特定的概念或知識。 知識萃取時，它只要求專家提供范圍(或?qū)嵗?器相應(yīng)的解，通過特定的學(xué)習(xí)算法對樣本進行學(xué)習(xí)，經(jīng)過網(wǎng)絡(luò)內(nèi)部自適應(yīng)算法不斷修改權(quán)值分布以達到要求，把專家求解實際問題的啟發(fā)式知識相經(jīng)驗分布到網(wǎng)絡(luò)的互連及權(quán)值分布上。,神經(jīng)網(wǎng)絡(luò)專家系統(tǒng)的基本原理,神經(jīng)網(wǎng)絡(luò)系統(tǒng)最主要的特征: 大規(guī)模模擬并行處理 信息的分布式存貯 連續(xù)時間非線性動力學(xué) 全局集體作用 高度的容錯性和魯棒性 自組織、自學(xué)習(xí)及實時處理 直接輸入范例，信息處理分布于大量神經(jīng)元的互連之中，并且具有冗余性，許許多多神經(jīng)元的“微”活動構(gòu)成了神經(jīng)

26、網(wǎng)絡(luò)總體的“宏”效應(yīng)與傳統(tǒng)的AI的差別,分布性是神經(jīng)網(wǎng)絡(luò)之所以能夠觸動專家系統(tǒng)中知識獲取這個瓶頸問題的關(guān)鍵所在。 神經(jīng)網(wǎng)絡(luò)是用大量神經(jīng)元的互連及對各連接權(quán)值的分布來表示特定的概念或知識。 知識蘋取時，它只要求專家提供范圍(或?qū)嵗?器相應(yīng)的解，通過特定的學(xué)習(xí)算法對樣本進行學(xué)習(xí)，經(jīng)過網(wǎng)絡(luò)內(nèi)部自適應(yīng)算法不斷修改權(quán)值分布以達到要求，把專家求解實際問題的啟發(fā)式知識相經(jīng)驗分布到網(wǎng)絡(luò)的互連及權(quán)值分布上。,推理的基本原理： 對于特定輸入模式，神經(jīng)網(wǎng)絡(luò)通過前向計算，產(chǎn)生一輸出模式，其中各個輸出節(jié)點代表的邏輯概念同時被計算出來，特定解是通過輸出節(jié)點和本身信號的比較而得到的，在這個過屋中其余的解同時被排除。 在神經(jīng)

27、網(wǎng)絡(luò)中，允許輸入偏離學(xué)習(xí)樣本，只要輸入模式接近于某一輸入模式，則輸出亦會接近學(xué)習(xí)樣本的輸出模式，這種性質(zhì)使得神經(jīng)網(wǎng)絡(luò)專家系統(tǒng)具有聯(lián)想記憶的能力。,神經(jīng)網(wǎng)絡(luò)專家系統(tǒng)的目標(biāo)： 利用神經(jīng)網(wǎng)絡(luò)的學(xué)習(xí)功能、大規(guī)模并行分布式處理功能、連續(xù)時間非線性動力學(xué)和全局集體作用實現(xiàn)知識獲取自動化； 克服“組合爆炸”和“推理復(fù)雜性”及“無窮遞歸”等困難， 實現(xiàn)并行聯(lián)想和自適應(yīng)推理； 提高專家系統(tǒng)的智能水平，實時處理能力及魯棒性。,神經(jīng)網(wǎng)絡(luò)專家系統(tǒng)的基本結(jié)構(gòu),神經(jīng)網(wǎng)絡(luò)專家系統(tǒng)的基本結(jié)構(gòu),(1)輸入邏輯概念到輸入模式的變換，并根據(jù)論域的特點，確定變換規(guī)則，再根據(jù)相應(yīng)規(guī)則，將目前的狀態(tài)變換成神經(jīng)網(wǎng)絡(luò)的輸入模式；,(2)網(wǎng)絡(luò)

28、內(nèi)的前向計算：根據(jù)神經(jīng)元特征，由輸入計算即可產(chǎn)生神經(jīng)網(wǎng)絡(luò)的輸出模式；,(3)輸出模式解釋：隨著論域的不同，輸出模式的解釋規(guī)則亦各異。解釋的主要目的是將輸出數(shù)值向量轉(zhuǎn)換成高層邏輯概念。,神經(jīng)網(wǎng)絡(luò)專家系統(tǒng)的知識表示,知識表示表現(xiàn)為內(nèi)部和外部兩種形式。 外部形式：面向?qū)＜?、知識工程師和用戶，是一些學(xué)習(xí)范例(也可看作是一些ifthen規(guī)則)。 內(nèi)部形式：即面向知識庫的內(nèi)部編碼，它不是根據(jù)一般代碼轉(zhuǎn)換或編譯程序，而是通過機器學(xué)習(xí)完成。 機器學(xué)習(xí)程序可從范例中提取有關(guān)知識，并通過權(quán)矩陣及系統(tǒng)參數(shù)進行學(xué)習(xí)訓(xùn)練，將有關(guān)知識以網(wǎng)絡(luò)或動力系統(tǒng)形式表示。 多層神經(jīng)網(wǎng)絡(luò)的內(nèi)部表示分塊鄰接權(quán)矩陣和閾值向量。,神經(jīng)網(wǎng)絡(luò)專家系統(tǒng)的知識表示,基于神經(jīng)網(wǎng)絡(luò)的知識表示方法具有如下優(yōu)點： (1)具有統(tǒng)一的內(nèi)部知識表示形式