pnn

2基于神经网络的诊断方法2．1神经网络用于故障诊断的方法人工神经网络(ANN)是由大量简单处理单元广泛连接而成的复杂非线性系统，作为一种自适应的模式识别技术，并不需要预先给出有关模式的经验知识和判别函数，它通过自身的学习机制自动形成所要求的决策区域。神经网络故障诊断的任务从映射角度看就是从征兆到故障类型的映射。用ANN技术处理故障诊断问题，不仅能进行复杂故障诊断模式的识别，还能进行故障严重性评估和故障预测，由于ANN能自动获取诊断知识，使诊断系统具有自适应能力。故障诊断过程就是根据系统的测量数据及故障库中的知识来判断系统是否发生故障的过程，通过判断系统出现的异常征兆来查明系统发生了什么故障并采取相应的措施，把故障损失降低到最小程度一1。一般故障的发生总是以各种征兆表现出来，并且故障类型也多种多样：既有缓变故障和突变故障，又有电气故障和机械故障；既有线性系统故障，又有非线性系统故障，其关系错综复杂。网络的输人结点对应着故障征兆，输出结点对应着故障原因。利用一组故障样本对网络进行训练，以确定网络的结构和参数。网络训练完成后，故障的模式分类就是根据给定的一组征兆，实现征兆集到故障集之间的非线性映射的过程。一个神经元网络用于故障诊断时，主要包括三层：即输入层、中间层和输出层。输入层接收各种故障信息，单元个数代表故障特征参数的个数。中间层也叫隐层，是把从输入层得到的故障信息，经内部的学习和处理，转化为针对性的解决办法。它通过权系数连接着输入层与输出层，对于每一种故障样本的输入都有一个具体输出故障状态与之对应。中间层可以是一层，也可以采用多层。输出层用来输出具体的故障类型。当网络训练完毕，对于每一个新输入的状态信息，网络可以迅速给出分类结果。典型的基于神经网络的诊断系统结构如图l所示。基于神经网络的诊断过程分为两步。第一步，训练样本，也就是从征兆一故障数据集对神经网络进行训练，得到诊断网络；第二步，根据当前诊断输入对系统进行诊断。在学习和诊断之前的预处理和特征选择／提取是为了给网络提供合适的训练样本和诊断输入。2．2概率神经网络概率神经网络(PNN)是由D．F．Speeht博士在1989年首先提出的，是径向基网络的一个分支，是前馈网络的一种，是一种结构简单、训练简洁、应用相当广泛的人工神经网络。它是一种有监督的网络分类器，是基于贝叶斯最小风险准则发展而来的一种并行算法，由Bayes分类规则构成，采用parzen窗函数密度估计方法估算条件概率，进行分类模式识别。基于PNN的故障诊断实质是利用概率神经网络模型强大的非线性分类能力，将故障样本空间映射到故障模式空间中，从而形成一个具有较强容错能力和结果自适应能力的诊断网络系统一1。PNN神经网络现今已广泛应用于雷达目标识别、设备故障诊断及病情分析中，并且取得了大量令人满意的应用成果。．PNN神经网络就是将Bayes估计放置于一个前馈神经网络中，其实质就是一个分类器，根据概率密度函数的无参估计来进行Bayes决策而得到分类结果。当训练样本数据足够多时，PNN收敛于一个分类器，用来解决分类问题，推广性良好”1。基于PNN的故障诊断方法是概率统计学中被广泛接受的一种决策方法，它可描述为：假设有两种已知的故障模式d和b，设待诊断的测量向量为x，按照Bayes最小风险准则，有下列诊断规则：1．2概率神经网络PNN概率神经网络的训练要求确定输入／输出模式。输入节点数等于输入向量的维数，输出节点数就为故障的类别数。概率神经网络共分4层，分别为输入层、模式层、求和层及输出层。输入层将特征向量传递给网络；模式层计算输入特征向量用Matlab中newprnn()函数设计PNN网络，用sire()函数进行仿真，输出结果用vec2ind()函数转换成行向量形式。先用训练样本对网络进行训练，再对表3故障样本进行检测。检验结果如下：3567。即诊断为R1～50％、R9短路、R18开路、R2l+50％。。概率神经网络是一种适用模式分类的径向基神经网络，采用样本的先验概率和最优判定原则对新的样本进行分类，具有识别率高、训练速度快、不会陷入局部极值等优点。人工神经网络(artificialneuralnetwork，简称ANN)借助于被研究对象过去已积累的信息，通过网络模型自身的学习，获取信息中隐含的知识，可以建立起各种非线性映射的数学模型。由于人工神经网络的自适应性和自组织性使它具有很强的学习能力，它的并行处理机制、分布存储方式使得它具有满足实时性要求的潜能和具有良好的鲁棒性和容错性及很强的非线性映射能力m一“。因此，本研究中将概率神经网络(pmhabilisticneuralnctwork，PNN)应用于胃镜样品红外光谱检测中，以期提高对正常、炎症及癌症胃镜样品的识别率。1.事情还没有发生,要求这件事情发生的可能性的大小,是先验概率.事情已经发生,要求这件事情发生的原因是由某个因素引起的可能性的大小,是后验概率.最大似然估计假设待估计参数是固定的未知数，对所抽取得给定样本集来说，使该训练集出现最大可能性的参数值就是它的估计值。Bayes估计将未知参数作为随机变量，假设未知参数某些方面是预先知道。先验PDF已知，当训练样本被测量以后，使用Bays定理根据采样值对先验PDF进行修改或者调整，得到未知参数的后验PDF。把代表模式的特征向量x分到c个类别(ω1，ω2,...,ωc)中某一类的最基本方法贝叶斯分类器是计算在x的条件下，该模式属于各类的概率，用符号P(ω1|x),P(ω2|x),...,P(ωc|x)表示。比较这些条件概率，最大数值所对应的类别ωi就是该模式所属的类。例如表示某个待查细胞的特征向量x属于正常细胞类的概率是0.2，属于癌变细胞类的概率是0.8，就把它归类为癌变细胞。上述定义的条件概率也称为后验概率，在特征向量为一维的情况下,一般有图中的变化关系。当x=x*时，P(ω1|x)=P(ω2|x)对于x＞x*的区域，由于P(ω2|x)P(ω1|x)因此x属ω2类,对于xx*的区域,由于P(ω1|x)P(ω2|x)，x属ω1类,x*就相当于区域的分界点。图中的阴影面积就反映了这种方法的错误分类概率，对于以任何其他的x值作为区域分界点的分类方法都对应一个更大的阴影面积，因此贝叶斯分类器是一种最小错误概率的分类器.进行计算一般情况下，不能直接得到后验概率而是要通过贝叶斯公式公式进行计算。式中的P(x│ωi)为在模式属于ωi类的条件下出现x的概率密度，称为x的类条件概率密度；P(ωi)为在所研究的识别问题中出现ωi类的概率,又称先验概率；P(x)是特征向量x的概率密度。分类器在比较后验概率时,对于确定的输入x，P(x)是常数，因此在实际应用中，通常不是直接用后验概率作为分类器的判决函数gi(x)(见线性判别函数)而采用下面两种形式：