人工神经网络原理及应用

人工神经网络研究开始于1943年，美国心理学家Mc Culloch和数学家Pitts提出了神经元二元M-P模型。20世纪50年代末，Rosenbaltt提出了感知器（Perceptron）模型，并且将神经网络理论应用于工程实践。1982年，美国加州理工学院J.Hopfield教授提出了神经网络的数学模型，Hopfield的研究促进了神经网络的发展。1986年，Rumelhart等提出了多层感知器的误差反向传播算法（即Back-Propagation算法），BP网络已经成为使用广泛的人工神经网络。

人工神经网络学主要是模仿人类大脑神经元组成的神经网络构建起来的。ANN有许多类似人脑神经元的简单非线性的处理单元，从简单到复杂，自底向上组建成为强大的网络模型。ANN是由许多人工神经元构成，人工神经元由信号输入、信号输出以及分析处理单元三部分组成。这些单个的人工神经元作为基本单元相互连接构成了人工神经网络，人工神经元结构如图4-3所示。

图4-3　人工神经元结构图

从图4-3中可以看出，人工神经元由基本单元连接组件、求和单元和输出函数f三个部分组成。神经元的动作可以用下面式子表示：

连接组件类似于生物神经元的突触，权值表示连接强度，当权值为正时代表激活状态，为负值时代表为抑制状态。求和单元是用于计算输入信号的加权和。输出函数f主要功能有两个：一个是映射作用，另外一个是将输出控制在合理的范围内。常用的输出函数f有三种类型：

1.阈值型（图4-4）

图4-4　阈值型输出函数(www.xing528.com)

2.分段线性型（图4-5）

图4-5　分段线性型输出函数

3.函数型（图4-6）

函数型有多种类型，其中Sigmoid函数最具代表性，它的表达式如下：

图4-6　Sigmoid函数

目前使用较为广泛的是BP神经网络和径向基函数（Radial Basis Function，简称RBF）网络。它们在故障模式识别领域已经被广泛应用。。