基于人工神经网络的预测研究(5)

4.2 径向基函数(RBF)网络结构和模型

径向基函数是20世纪80年代末由J.Moody和C.Darken提出的网络模型,它模拟了人脑中局部调整、相互覆盖感受野( receptive field)，因此是一种局部逼近网络，科学界已经证明它能以任意精度逼近任意函数。

输出 输出层

… ?i(x) 隐藏层 … 输入 输出层

图4-1 RBF网络结构图

径向基函数（RBF）神经网络，是具有单隐层的三层前馈网络，结构见图4-1。由于它模拟了人脑中局部调整、相互覆盖接收域的神经网络结构，因此，是一种局部逼近网络，已证明它能以任意精度逼近任一连续函数。

U … y … …

图4-3 RBF神经网络结构模型

RBF网络的神经元模型是改进了感知器神经元模型得到的。 输入层： wij?1,f(x)?x

20

隐层： f(net)?e??(net??)22?2 一维

f(X)?(xi??i)2T(xi??i)e?j2 二维

输出层： f(x)?kx u1 w1 ... x y u2 ?

... un wn

? f(x)

图4-4 RBF神经元结构模型

径向基神经网络与BP网络在结构上基本相同，区别在于RBF网络隐含层节点传输函数为径向基函数，即隐含层节点对输入产生局部响应，此RBF常被称为局部感受野网络。径向基函数表现为多种形式，常见的为高斯函数。

4.3 RBF的网络学习算法

RBF网络的学习算法，由两部分组成；无导师学习、有导师学习。

根据学习时是否需要外部指导信息，通常将神经网络的学习分为二种类型： 有导师学习：必须预先知道学习的期望结果——教师信息，并依此按照某一学习规则来修正权值。

无导师学习：不需要教师信息或强化信号，只要给定输入信息，网络通过自组织调整，自学习并给出一定意义下的输出相应。 4.3.1 无导师学习

对所有输入样本进行聚类，求得各隐层节点的RBF的中心。介绍用k--均值聚类算法调整中心。

21

(1) 聚类

聚类分析符合“物以类聚，人以群分”的原则，把相似性大的样本聚集为一个类型，在特征空间里占据着一个局部区域。类型越多，这样的具备区域就越多。每个局部区域都形成一个聚合中心，往往以聚合中心代表相应的类型。

聚类分析算法可以自动地确定类型的数目K，不必以预知K为前提条件。当然，也可以给定K作为算法终止的条件。如果没有给定K，如何在聚类过程中自动的确定K，是聚类分析中的一个关键性的问题。

(2) 相似性度量

如何衡量样本相似性，对聚类有直接影响。通常使用距离相似性度量和角度相似性度量。

距离相似性度量：一个模式样本，在它的特征空间里是一个点。如果模式的特征是适当选择的，即各维特征对于分类来说都是等效的，那么，同一类的模式样本就密集的分布在一个区域里，不同类的模式样本就会远离。因此，点间距离远近反映了相应模式样本所属类型有无差异，可以作为样本相似性度量。点间距离近，则样本相似性大，它们属于同一个类型；否则，它们属于不同的类型。

在聚类分析中，最经常使用的就是距离相似性。 欧式(Euclidean)距离

欧式距离又称为距离，模式样本向量x和y之间的欧式距离定义为：

defD(x,y)?x?y??x?yii?1d2i

其中d为特征空间的维数。显然，若样本x和y位于同一个类型区域里，欧式距离是比较小的；若它们位于不同类型的区域里，则是比较大的。

马氏(Mahalanobis)距离

我们已经知道马氏距离的定义，可以表达为：

r2?(x??)?T?1(x??)

明氏(Minkowsky)距离：

D(x,y)def?x?yii?1d?i

4.3.2 有导师学习

22

当ci确定后，训练由隐层至输出层间的权系值，它是线性方程组，则求权系值成为线性优化问题，可利用各种线性优化算法求得，如：LMS算法、最小二乘递推法、镜像映射最小二乘法等。

(1) LMS算法

wki(t?1)?wki(t)??ek(t)qip2LMS算法即规则，对于本网络权值调整算法：

qp?：常值，0???2。当 J(t)??，算法结束。

(2) 最小二乘递推法（RLS）。 (3) 镜像映射最小二乘法。

4.4 RBF网络模型的优点和缺点

4.4.1 RBF网络的优点

(1)它具有唯一最佳逼近的特性，且无局部极小问题存在；

(2)RBF神经网络具有较强的输入和输出映射功能，并且理论证明在前向网络中RBF网络是完成映射功能的最优网络； (3)网络连接权值与输出呈线性关系； (4)分类能力好；

(5)学习过程收敛速度快。 4.4.2 RBF网络的缺点

(1)最严重的问题是没能力来解释自己的推理过程和推理依据；

(2)不能向用户提出必要的询问，而且当数据不充分的时候，神经网络就无法进行工作；

(3)把一切问题的特征都变为数字，把一切推理都变为数值计算，其结果势必是丢失信息；

(4)理论和学习算法还有待于进一步完善和提高。

RBF神经网络的非线性映射能力体现在隐层基函数上, 而基函数的特性主要由基函数的中心确定，从数据点中任意选取中心构造出来的RBF 神经网络的性能显然是不能令人满意的目的；

（5）RBF神经网络用于非线性系统建模需要解决的关键问题是样本数据的选

23

择L 在实际工业过程中, 系统的信息往往只能从系统运行的操作数据中分析得到, 因此如何从系统运行的操作数据中提取系统运行状况信息, 以降低网络对训练样本的依赖, 在实际应用中具有重要的价值。

5.基于人工神经网络的空调系统故障预测

5.1 用BP网络对空调系统故障进行预测

5.1.1 空调系统故障诊断的BP网络建立

空调系统故障模式及故障机制分析[7][8]，如下表所示：

表5-1 空调系统故障模式及故障机制分析

表示符号 x1 房间温度均偏高 y4 y5 y6 x2 x3 相对湿度均偏低 系统实测风量大于设计风量 x4 房间气流速度超过允许流速 y7 y8 y9 y10 y11 y12 故障模式 表示符号 y1 y2 y3 故障原因 1. 冷冻机产冷量不足 2. 喷水堵塞 3. 通过空气处理设备的风量过大, 热交换不良 4. 回风量大于送风量 5. 送风量不足(可能空气过滤气堵塞) 6. 表冷器结霜,造成堵塞 7. 室外空气未经加湿处理 8. 系统的实际阻力小于设计阻力 9. 设计时选用风机容量偏大 10. 送风口速度过大 11. 总送风量过大 12. 送风口的型式不适合

5.1.2 网络输入输出向量及参数的选取

以故障模式X = ( x 1 , x 2 , x 3 , x4) 作为输入,故障原因Y = ( y1 , y2 , y3 ?y12 ) 作为输出, 以不同的故障原因导致的故障模式为训练样本进行学习, …… 此处隐藏：1447字，全部文档内容请下载后查看。喜欢就下载吧 ……