神经网络主要存在的问题范文篇1

关键词：模拟电路；智能故障诊断；神经网络

中图分类号：TN710文献标识码：A文章编号：1009-2374（2012）04-0118-02

上世纪70年代开始，模拟电路故障诊断理论第一次被提出来，如今已发展成为一门系统的学科。但是，虽然模拟电路的使用时间已经有一段历史，其模拟电路故障诊断技术却发展一直比较缓慢。以下笔者就从模拟电路智能故障的特点入手，对模拟电路智能故障诊断技术的发展现状进行详细探讨。

一、模拟电路智能故障的特点分析

现将模拟电路故障的特点分析如下：

（一）模拟电路信号与数字信号的区别

模拟电路信号与数字信号有很大的不同：前者信号的大小是随时间连续变化的量，包含的物理量属于连续函数，其故障模式及模型难以用简单的量化来描述。

（二）模拟电路元器件的特性

由于模拟电路中的元器件参数本身存在容差，导致了导致功能性故障的故障物理位置难以确定，存在较大的模糊性（“容差”的实质就是元器件本身存在的轻微故障）。

（三）模拟电路中存在的问题

在模拟电路中，存在反馈电路和非线性问题，增加了计算和测试的复杂性。

（四）模拟电路的使用范围

模拟电路的频率范围比较宽，这就决定了其使用设备的差异性。有时，即使测量同一个信号，但是在不同的频段上所使用的设备都会出现很大的差距，决定了其设备较大差异性的特点。

（五）模拟电路的故障问题

由于现在电路中，可测试的节点数一般都比较少（电路通常是封装或者多层的缘故），导致判断故障信息的数量不够多、信息不够充分，加大了故障判断的难度。

二、模拟电路故障诊断技术现状分析

近几年，电子技术得到了飞速发展，随着电子技术的飞速发展，电子技术运用而成，并随着集成度的不断增大，电路的复杂程度日益提高。

一般而言，故障辨识、故障检测及故障隔离是电路故障诊断的主要内容。由于诊断原理的多样性，导致了电路故障诊断方法也存在多样性。

本文根据故障诊断的角度出发，对现行电路故障诊断的方法进行了分类。以下就现代模拟电路故障诊断的方法进行具体探讨。

（一）专家系统故障诊断分析

专家系统在人工智能技术中，属于应用比较广泛和活跃的故障诊断技术之一。专家系统故障诊断的工作过程可以描述为以下几个步骤：首先，应该具备故障诊断专家系统的知识库，这个知识库的内容主要是将相关诊断经验与技术，使用一定的规则组合起来而形成，以备以后程序使用；然后，当出现故障时故障诊断系统将由报警系统得到相关信息，应用知识库对其进行推理，由此得出出现的故障的原因。

以上诊断过程可以理解为：专家系统故障诊断技术是模拟行业专家进行诊断及决策的过程，主要可以解决一些比较复杂的故障问题。

但是，由于这些技术存在一定的缺陷，在一定程度上限制了其推广使用。

（二）人工神经网络技术分析

人工智能技术的另一个重要分支是人工神经网络技术。

在故障诊断中，它的主要优势在于：其特别适合处理那些具有复杂非线性关系的、无法用显性公式表示的情况，并能够有力解决非线性、反馈回路和容差等引起的问题，上述这些情况都是传统模式识别方法难以解决的。

人工神经网络由于其独特的优势，越来越受到人们的广泛重视。

人工神经网络的优点主要体现在以下几个方面：（1）它以利用网络的拓扑结构和权值分布实现非线性的映射，以分布的方式存储信息；（2）它可以实现非线性信息变化问题，这个主要是通过全局并行处理来实现的信息变化。其可以有效的解决故障诊断中故障知识获取这个“瓶颈”问题，以及“组合爆炸”等问题；（3）人工神经网络技术还具有联想记忆、并行分布处理以及自适应性强等特点。

以上的这些优点为智能故障诊断的研究开辟了一条新途径。基于以上的分析，将神经网络与专家系统相结合，使其相互补充，各自扬长避短，是故障诊断领域的一个热点话题。

（三）神经网络专家系统

从逻辑方面来讲，神经网络专家系统和传统专家系统是完全不同的。神经网络专家系统是一类新的知识表达体系，神经网络专家系统中的信息处理是由大量简单处理元件之间进行相互作用，从而进行信息处理的，属于低层数值模型。神经网络专家系统可以将数值运算和逻辑推理结合，并利用相关的信息处理功能来解决诊断系统中的相关问题。

在这种技术中，通过学习将专家知识存储在网络中，由此进行不精确的故障诊断，可以较好的完成相关推理过程。

（四）小波分析方法

小波分析法时一种时-频分析方法。它的主要原理通过以下阐述：

小波变换及小波函数的多样性。

小波是函数空间中满足下述条件的一个函数或者信号：

式中：表示非零实数全体，是傅里叶变换，为小波母函数。

对于实数对（a，b），参数a为非零实数，函数

称为由小波母函数生成的依赖于参数对（a，b）的连续小波函数，简称小波。其中：a称为伸缩因子：b称为平移因子。

对信号f（x）的连续小波变换则定义为：

其逆变换（回复信号或重构信号）为：

信号f（x）的离散小波变换定义为：

其逆变换（恢复信一号或重构信号）为：

其中：C是一个与信号无关的常数。

由上述原理可知，小波函数具有多样性。

（五）神经网络小波分析方法

将神经网络与小波分析相结合的方法主要有两个：

1．以辅助式结合的形式组合。在这种结合中，一般是利用小波分析技术对相应的信号进行预先处理，然后，利用神经网络技术进行学习与判别。

2．以嵌套式结合的方式进行组合。这种结合中，主要是把小波分析方法融入到神经网络中，形成新的神经网络结构，即神经网络一小波分析或小波网络。这种新的网络方法具有明显的优势：具有自适应分辨功能和很好的容错性。

由上面分析可以得出，这种新的故障诊断鉴别方法是故障诊断领域的一个新方法，它不仅可以拓宽小波分析方法与神经网络技术的应用领域，而且为故障诊断技术开辟了新道路，使得故障诊断技术得到了进一步的发展。

三、结语

由于现代科技的飞速发展，模拟电路故障诊断系统将会变得越来越复杂，如何保证模拟电路系统可以运行的更加可靠是一个值得深入探讨的问题。模拟电路出现故障后，如能及时将相应的故障诊断清楚，并保证及时维修更换，无疑可以提高生产效率，提高成品的合格率，进而推动模拟电路系统向更好的方向

发展。

参考文献

[1]朱大奇．电子设备故障诊断原理与实践[M]．北京电子工业出版社，2004．

神经网络主要存在的问题范文篇2

比较桥梁建设项目的鉴识作为一个典型的灰系统反问题，其分析求解的过程中所面临的主要困难在于如何解决解的适定性问题．灰系统的数学物理方程仅由微分方程很难唯一地确定反问题的解，常常需要附加条件，而且即使附加条件能够唯一确定解，还需要解决解的适定性问题．其一般数学模型如下:假设F和U均为度量空间(分别称之为解空间与数据空间)，算子A:FU映F到U．则反问题可以写成算子方程的形式:Az=u，(z∈F，u∈U)．(1)式(1)中:A可为积分算子、微分算子或矩阵(有限秩算子)．当由已知的A和z求u即为正问题，而在已知u和A或仅知u的情况下反求z或z和A的情况即为反问题．式(1)即为反问题的一般数学框架．在式(1)中，假设ρF和ρU分别是空间F和U的度量，算子A:FU是线性或非线性映射，假如问题同时满足下述3个条件则称其为适定的．1)u∈U，都存在z∈F满足方程(1)(解的存在性)．2)设u1，u2∈U，若z1和z2分别是方程(1)对应于u1≠u2的解，则z1≠z2(解的唯一性)．3)解相对于空间偶(F，U)而言是稳定的(解的稳定性)，即ε＞0，δ(ε)＞0只要ρU(u1，u2)≤δ(ε)，(u1，u2∈U)．(2)便有ρF(z1，z2)＜ε，(Az1=u1，Az2=u2)．(3)问题的适定与不适定与A、F、U都有关，以上3个适定性条件具有相当的实际背景，其条件非常严苛，实际工程问题往往因为存在系统不确定性、模型不确定性、观测数据不确定性等诸多不确定性因素，导致反演结果具有较大的离散性．工程反问题的求解上，除了通过数学和物理的手段想方设法解决非适定性问题的计算稳定性外，另一种方法则是人工神经网络方法．该方法求解过程不严格受制于适定性3个条件的制约，较大提高了反问题求解的可能和接受程度．对于灰色甚至黑色的系统问题，神经网络方法较之复杂困难的数值方法更容易逼近问题的解．桥梁工程事故的鉴识问题事实上是一个灰系统反问题，要建立起能够精确描述二者关系的数学模型，并获得该方程解的适定性是非常困难的．因此，借鉴其它科学领域解决灰系统问题的做法，采用神经网络的方法来寻找其规律是较为合适的．

2、鉴识专家系统的框架

设计人工神经网络方法其本质是基于历史经验模拟人脑的经验性判断，应用人工神经网络方法来模拟大型桥梁建设项目的鉴识反问题，其实质就是建立人工模拟的专家鉴识反应．但是，如果每次鉴识都需要重新建立和训练合适的网络，无疑将每次鉴识都孤立化，不利于鉴识工作的传承发展，并且不便于维护和发展该网络．为了提供更智能、更友好的鉴识平台，以神经网络作为分析推理的核心模块，将解决鉴识工程反问题的所有过程集成为一个可完善、可补充、可检验、可查阅、可训练、可计算分析的系统，这就是可用于解决鉴识反问题的专家系统．由于专家鉴识系统需要长期地收集和管理数据库和训练更加成熟的网络，为了便于长期的管理和维护，选用具有高效的数据库管理功能的VFP(VisualFoxPro)语言来建立可视化的专家系统界面，协助工程师在鉴识过程中收集桥梁建设项目的鉴识样本和输入鉴识数据，并与神经网络工具MATLAB软件进行嵌套，实现分析过程的可视化，使得专家系统的界面更加友好和直观．桥梁建设项目的专家鉴识系统主要由3个模块构成:1)基础数据模块，提供了进行桥梁鉴识信息的输入、维护．2)神经网络模块，调用神经网络程序，利用样本库进行网络训练和鉴识分析．3)系统维护和系统帮助模块，为用户提供系统基本维护工具，提供软件使用说明和用户帮助．其中，基础数据模块和神经网络模块是核心部分．基础数据模块包括桥梁常见破坏数据库、桥梁破坏登记数据库、工程阶段风险数据库、专家责任意见数据库以及数据库的综合查阅5个窗口．神经网络模块包括神经网络训练、录入待算数据，计算源码管理以及神经网络计算4个窗口．该模块是专家鉴识系统的推理分析的核心模块，用于实现神经网络方法对专家鉴识过程的模拟．专家鉴识系统的核心是基础数据模块和神经网络模块，而这两个模块分别基于VFP和MATLAB语言而实现的，要建立完善友好的专家鉴识系统，需要实现这两个语言程序之间函数的相互调用．VFP语言用于实现可视化的专家系统界面，便于用户进行样本的收集、完善和登记，以及输入鉴识初始资料所需，并最终将MATLAB神经网络训练、检验及鉴识的结果在可视化界面上进行直观的指示，方便操作用户的查询、检索．而MATLAB则用于神经网络的计算和模拟，可调用VFP建立的数据库，使用专家系统所收集到的样本，进行训练和检验，以及进行所指定的鉴识工作．VFP和MATLAB的程序关系如图1所示.。

3、系统知识数据库模块的构建

本专家鉴识系统是基于VFP平台开发的，因此系统中的基本信息资料以基础数据库的形式存在，并可在系统中实现实时保存和更新，程序流程如图2所示．本系统的专家知识库在基础数据模块中建立，包括桥梁常见破坏、桥梁破坏登记、阶段风险和专家意见4个分项数据库．

1)桥梁常见破坏数据库，主要用于对桥梁各主要构件的常见破坏现象进行归类管理，便于在鉴识过程中对破坏进行识别．每一条破坏现象信息均包括桥梁型式、结构位置、破坏构件、构件的重要性系数、破坏形式、破坏形式对事故的贡献度、构件型式、破坏现象、该破坏现象对构件健康的影响度，以及造成该破坏的原因和机理．该数据库的构建将作为桥梁破坏判断和评价的依据．因此，该数据库的完善有助于提高专家评价的可靠性，需要在长期的鉴识实践中进行不断地补充和维护．

2)桥梁破坏登记数据库用于桥梁破坏事故发生后，专业鉴识人员对事故现象进行调查的结果登记，以及专家对破坏的实际情况依据破坏的等级、破坏的影响度、破坏的贡献度、破坏构件的重要性进行分项评价，并给出考虑权重之后的量化的评价意见，即破坏分值．桥梁破坏登记数据库是最为重要的桥梁破坏信息集成，在长期的鉴识实践中，应不断地进行更新和补充，以增加神经网络的训练样本，提高网络精度．

3)阶段风险数据库是对桥梁全寿命期内立项、设计、概预算招投标、施工、运营维护、报废拆除6个典型阶段可能发生的风险类型，以及风险源注册，作为专家责任意见的评价依据．

4)专家意见数据库是根据桥梁破坏登记数据库中，鉴识工程师对桥梁破坏现象调查的登记项目，依据阶段风险责任数据库中事故发生阶段的可能风险构成及风险贡献程度，并考虑各破坏项目的机理和成因，而对桥梁个案的破坏相关责任做出的评价．该数据库包括桥梁的破坏信息、破坏的责任方、责任说明、贡献程度、个案的贡献权重以及最后的责任比例．责任比例Pi遵循式(4)．Pi=αixi/∑αixi．(4)式(4)中:xi为参与方贡献程度，依据各工程参与方对该阶段事故风险的贡献能力进行定义;αi为贡献权重，依据桥梁破坏个案实际，对各工程参与方的风险贡献进行评价．

4、系统神经网络仿真模块构建

专家知识数据模块中所构建的专家知识库，还需要专门的智能网络对其进行仿真，将所模拟得到的经验知识用于未来的专家判断．为此，本系统开发了第2个核心模块即神经网络模块，该模块包括4个管理窗口．

1)“神经网络训练”窗口用于在专家系统中调用MATLAB程序，利用基础数据模块不断更新和完善的破坏登记纪录所形成的破坏样本数据，对网络进行训练．在该窗口可对基于MATLAB软件二次开发的桥梁建设项目鉴识神经网络程序进行直接的调用和运行，使得神经网络模块可以继承基础数据库模块所建立的专家知识样本库，并利用样本库对网络进行学习训练，以形成成熟的智能网络．神经网络的专家系统，其学习训练程序流程如图3所示．

2)“录入待算数据”窗口用于对需要进行鉴识的案例数据进行整理和录入，与专家数据模块中的桥梁破坏登记窗口形式一致，最终在后台形成可为MATLAB程序调用的“data.txt”数据文件．3)“计算源码管理”窗口用于在VFP界面中直接对神经网络源程序进行调用、修改，并可以直接进行试算检测．考虑不同的案例对分析的精度和范围可能不同，为了方便网络的源码管理，还单独建立了神经网络的计算源码管理窗口．

4)“神经网络计算”窗口，用于利用训练成熟的网络，对被鉴识对象的破坏信息所形成的数据进行模拟和仿真，给出网络的鉴识分析结论，主要包括各工程相关责任方的事故责任构成，责任权重，责任比例，直接经济损失、间接经济损失和非经济损失的责任评价．神经网络的计算分析流程如图4所示．其算法通过检验后，可用于桥梁破坏责任和损失的评价分析．经过破坏调查后，对桥梁的破坏情况进行录入整理，就可以在VFP界面上利用训练成熟的神经网络对其进行鉴识分析，通过智能计算，判断其风险源的构成情况，在事故经济损失调查的基础上，给出经济损失和非经济损失的责任分配意见．

5、结论

神经网络主要存在的问题范文篇3

【关键词】人工神经网络技术应用现状

一、人工神经网络概述

要对人工神经网络技术的应用进行了解，首先要掌握人工神经网络的基本模型和结构。它的结构是并行分布的，通过大量的神经元的模型组成，是用来进行信息处理的网络。各个神经元之间相互联系，相互之间联系的方式很多，每个特定的链接之中都有相应的权系数，而各个神经元的输出是特定的。

二、人工神经网络技术的应用现状

人工神经网络技术由于其结构上的优势和对信息处理的高效性，使得在很多方面都有广泛的应用，例如，运用人工神经网络技术进行图像处理、智能识别、自动监控、信号处理、机器人监控等，使得其在生活的各个方面都发挥了重要的作用，为交通、电力、军事等部门提供了便利。下面对人工神经网络技术的具体应用做简单的分析。

第一，BP神经网络。基于人工神经网络技术的BP神经网络，在进行优化预测、分类和函数逼近等方面有着广泛的应用。网络的应用大体有分类、函数逼近、优化预测等方面。比如，将胃电图和心电图进行分类，对某些函数的最小二乘进行逼近，对工业生产过程中的数据进行整合，对电力系统中的负荷量和一些数据进行优化和预测等。特别是在进行时间序列的预测中，发挥着重要的积极作用。使用BP神经网络还能对国家经济发展中的一些数据进行处理。相对其它人工神经网络技术的网络而言，BP网络复杂性较低，所以在很多工业产业上应用较多。在某些需要进行控制的系统内，BP神经网络能够对系统进行有效的控制。其具体的优势主要有以下几点：利用BP神经网络在识别和分类中的优势，能够及时快速的判断一些系统中的故障，相比以往的谱分析技术，其工作效率有了较大的提高。BP神经网络中也存在着一些不足，表现在其网络的鲁棒性和容错性不够，在对故障进行判断和检测时，不能有效地确保其准确性。此外，这种算法的收敛速度不快，在选择网络隐层节点中还没有形成完善的配套理论。这些都在某种程度上对其应用造成了影响。

第二，ART神经网络。基于人工神经网络技术的ART神经网络，广泛的应用在对图像、语音。文字等的识别过程中。其在某些工业产业中也普遍应用，主要应用在对系统的控制方面。例如，对故障判断，问题预警和事故检测等较为繁琐的生产过程进行控制，进行数据挖掘，从有关的数据中找到能够应用的数据。ART神经网络在应用中的优势主要是其具有很强的稳定性，能够在环境变化的情况下稳定的工作，其算法也十分简单而且为快速。其缺点主要是在要求对参数和模型等进行准确的判断时，其网络的结构还需要进行完善。

第三，RBF神经网络。基于人工神经网络技术的RBF神经网络目前在建模、分类、函数近似、识别、信号处理等方面有着广泛的引用。比于其他的神经网络，RBF神经网络的结构较为简单，其在非线性的逼近上的效果较为显著，收敛的速度也较快，能够有效的对整体进行收敛。其存在的缺点是，在函数逼近方面还不够完善，仍然要进行性改进。

第四，Hopfield神经网络。作为反馈神经网络的一种，Hopfield神经网络能够在连接性较高的神经网络中进行集中自动的计算。目前其在工业产业中有着广泛的应用。优点是，对于一些线性问题，避免了只是用数学方法所带来的繁琐，在进行数模之间的转化时，能够快速准确的进行。

三、人工神经网络技术的发展

人工神经网络技术和理论的不断发展和进步，在较多领域中，人工神经网络技术引起了人们的关注。但是，目前在技术的运用和技术本身仍存在着一些问题。

人工神经网络技术的发展，对数学领域的发展提出了要求，对有关的制造技术和科学技术也提出相应的要求，这就需要我们要加快与其相关的各种技术的快速发展，使这些技术能与人工神经网络技术相互匹配。在发展人工神经网络技术的同时，要加强与其它相关学科的相互联系，这对于更好的发展人工神经网络技术有着积极重要的作用。