《智能检测理论与技术07》由会员分享，可在线阅读，更多相关《智能检测理论与技术07（54页珍藏版）》请在金锄头文库上搜索。
1、 第七章第七章 基于神经网络的智能检测基于神经网络的智能检测Intelligent Detection Theory and TechnologyIntelligent Detection Theory and Technology智能检测理论与技术智能检测理论与技术智能检测第六章内容回顾第六章内容回顾一、一、模糊智能检测概述模糊智能检测概述模糊集合模糊集合、模糊推理模糊推理、模糊判、模糊判 决方法、决方法、模糊推理系统模糊推理系统、模糊检测模糊检测 系统的基本结构系统的基本结构二、模糊智能检测技术应用实例二、模糊智能检测技术应用实例智能检测7.1 7.1 基于神经网络智能检测的概述基于神经网
2、络智能检测的概述第七章第七章 基于神经网络的智能检测基于神经网络的智能检测n n 软测量概念软测量概念uu常规传感器或在线分析仪无法实现或及时的对控制过常规传感器或在线分析仪无法实现或及时的对控制过 程中某些程中某些质量变量质量变量进行在线测量。进行在线测量。uu软测量技术的发展解决了这一不足，软测量建模是软软测量技术的发展解决了这一不足，软测量建模是软 测量技术的核心。测量技术的核心。uu用以实现软测量技术的实体称作用以实现软测量技术的实体称作软仪表软仪表，也被称作，也被称作虚虚 拟分析仪拟分析仪。uu同同在线分析仪在线分析仪相比，软仪表优势在于：相比，软仪表优势在于：安装及维护费安装及维护
3、费 用低用低，测量实时性好测量实时性好，可靠性高可靠性高，精度良好精度良好。智能检测7.1 7.1 基于神经网络智能检测的概述基于神经网络智能检测的概述第七章第七章 基于神经网络的智能检测基于神经网络的智能检测n n 建立软测量模型基本方法建立软测量模型基本方法uu 机理建模机理建模t t简称建模，一般又称为简称建模，一般又称为“白箱问题白箱问题”。t t机理建模有先验性，预估性等优点。机理建模有先验性，预估性等优点。t t但是这种方法要求对研究对象的机理有较为深但是这种方法要求对研究对象的机理有较为深 刻的了解，必须提出简化假设以使建模问题比刻的了解，必须提出简化假设以使建模问题比 较易于处
4、理。较易于处理。t t对于实际的复杂工业过程，对于实际的复杂工业过程，机理建模可能代价机理建模可能代价 很高很高，引入假设条件，引入假设条件会影响建模精度会影响建模精度。 智能检测7.1 7.1 基于神经网络智能检测的概述基于神经网络智能检测的概述第七章第七章 基于神经网络的智能检测基于神经网络的智能检测n n 建立软测量模型基本方法建立软测量模型基本方法uu 辨识建模辨识建模t t简称辨识，一般又称为简称辨识，一般又称为“黑箱问题黑箱问题”。t t利用直接反应过程动态特性的输入输出数据来利用直接反应过程动态特性的输入输出数据来 建立数学模型，无需深入了解过程机理，可以建立数学模型，无需深入了
5、解过程机理，可以 理解为在理解为在最小限度的先验知识最小限度的先验知识和和假设条件假设条件下进下进 行建模。行建模。t t优点是辨识模型易于实现和对非线性关系的良优点是辨识模型易于实现和对非线性关系的良 好逼近能力。好逼近能力。uu 机理建模与辨识建模相结合机理建模与辨识建模相结合- -灰箱建模灰箱建模智能检测7.1 7.1 基于神经网络智能检测的概述基于神经网络智能检测的概述第七章第七章 基于神经网络的智能检测基于神经网络的智能检测n n 神经网络基础神经网络基础uu神经网络是一种由许多简单的、高度互联的处理单元神经网络是一种由许多简单的、高度互联的处理单元 （又称（又称神经元神经元）构成的
6、）构成的运算处理系统运算处理系统，它以对外部输，它以对外部输 入做出动态响应的形式处理信息。入做出动态响应的形式处理信息。uu特点：特点：并行分布并行分布，使信息的处理效率得到惊人的提高，使信息的处理效率得到惊人的提高 。uu神经网络具有高度的神经网络具有高度的容错能力容错能力（或称（或称鲁棒性鲁棒性）。）。uu神经网络的实现形式是针对神经网络的实现形式是针对特定任务的软件特定任务的软件，也可由，也可由 硬件实现硬件实现，相比之下，软件的使用更为灵活，简单。，相比之下，软件的使用更为灵活，简单。uu基于神经网络的建模方法属于辨识建模。基于神经网络的建模方法属于辨识建模。智能检测7.1 7.1
7、基于神经网络智能检测的概述基于神经网络智能检测的概述第七章第七章 基于神经网络的智能检测基于神经网络的智能检测n n 神经网络智能检测的应用状况神经网络智能检测的应用状况uu基于神经网络的软测量方法，最早应用之一是基于神经网络的软测量方法，最早应用之一是估计青估计青 霉素发酵过程中的菌体浓度霉素发酵过程中的菌体浓度，尽管所用测量模型相当，尽管所用测量模型相当 简单，仍取得了非线性观测器所无法获得的成功。简单，仍取得了非线性观测器所无法获得的成功。Massimo C D, Montague G A, Willis M J, et al. Towards improved penicillin f
8、ermentation via Massimo C D, Montague G A, Willis M J, et al. Towards improved penicillin fermentation via artificial neural artificial neural networksJnetworksJ. . Computers and Chemical EngineeringComputers and Chemical Engineering, 1992, 16(4): 283-291, 1992, 16(4): 283-291英国纽卡斯尔大学（英国纽卡斯尔大学（Newca
9、stle UniversityNewcastle University）uu 近年来，基于神经网络的软测量技术在化工过程工业近年来，基于神经网络的软测量技术在化工过程工业 中的成功应用日益增多。迄今，安装运行的实例累计中的成功应用日益增多。迄今，安装运行的实例累计 超过了超过了10001000个。较多的论文和报道是来自于个。较多的论文和报道是来自于连续搅拌连续搅拌 反应过程反应过程、精馏过程精馏过程和和硫化催化裂化硫化催化裂化过程等典型的化过程等典型的化 工过程系统。工过程系统。智能检测7.2 7.2 神经网络与智能检测建模神经网络与智能检测建模第七章第七章 基于神经网络的智能检测基于神经网络
10、的智能检测n n 人工神经元模型人工神经元模型uu人工神经元模型是生物神经元的人工神经元模型是生物神经元的抽象和模拟抽象和模拟。通常一个。通常一个 神经元可能有多个输入端，神经元可能有多个输入端， 但只有一个输出端，一般是但只有一个输出端，一般是 多输入多输入单输出的单输出的非线性器件非线性器件，这个输出值是对所有输，这个输出值是对所有输 入值处理后的结果。入值处理后的结果。输入信号连接权阈值 处理单元净值转移函数输 出智能检测7.2 7.2 神经网络与智能检测建模神经网络与智能检测建模第七章第七章 基于神经网络的智能检测基于神经网络的智能检测n n 前向传播神经网络前向传播神经网络uu典型的
11、多层前向神经网络如图所示典型的多层前向神经网络如图所示典型的多层前向网络典型的多层前向网络智能检测7.2 7.2 神经网络与智能检测建模神经网络与智能检测建模第七章第七章 基于神经网络的智能检测基于神经网络的智能检测n n 前向传播神经网络前向传播神经网络uu典型的多层前向神经网络是由典型的多层前向神经网络是由一个输入层一个输入层、一个或更一个或更 多的隐层多的隐层和和一个输出层一个输出层组成。组成。uu输入层的神经元相当于输入层的神经元相当于缓冲器缓冲器，用于将输入信号分配，用于将输入信号分配 给隐层的神经元。给隐层的神经元。uu每个隐层的神经元对其输入信号计算加权和，经过每个隐层的神经元对
12、其输入信号计算加权和，经过阈阈 值限制值限制和和激励函数激励函数，得到这个隐层神经元的输出。，得到这个隐层神经元的输出。智能检测7.2 7.2 神经网络与智能检测建模神经网络与智能检测建模第七章第七章 基于神经网络的智能检测基于神经网络的智能检测n n 前向传播神经网络前向传播神经网络uu以第以第j j个隐层神经元为例，它的输入输出关系可由下式个隐层神经元为例，它的输入输出关系可由下式 表示表示其中：其中： 为第为第j j个隐层神经元的第个隐层神经元的第i i个输入值；个输入值； 为第为第i i个输入到第个输入到第j j个隐层神经元的连接权值；个隐层神经元的连接权值； 为阈值；为阈值； 为为激
13、励函数激励函数。智能检测7.2 7.2 神经网络与智能检测建模神经网络与智能检测建模第七章第七章 基于神经网络的智能检测基于神经网络的智能检测n n 激励函数激励函数f f的主要类型的主要类型uu阈值型：阈值型：uu线性型：线性型：uu双曲函数：双曲函数：uu SigmoidSigmoid型：型：uu 高斯型（径向基型）：高斯型（径向基型）：智能检测7.2 7.2 神经网络与智能检测建模神经网络与智能检测建模第七章第七章 基于神经网络的智能检测基于神经网络的智能检测n n 激励函数激励函数f f的主要类型的主要类型智能检测7.2 7.2 神经网络与智能检测建模神经网络与智能检测建模第七章第七章
14、 基于神经网络的智能检测基于神经网络的智能检测n n 反向传播算法反向传播算法 （BPBP算法）算法）uu反向传播反向传播( (Back Propagation, BPBack Propagation, BP) )是多层前向神经网络最是多层前向神经网络最 常用的学习算法，是一种基于常用的学习算法，是一种基于梯度下降梯度下降的最优化算法的最优化算法 ，通过，通过调节连接权值调节连接权值，使，使系统误差函数系统误差函数或其他形式的或其他形式的 代价函数代价函数极小化。极小化。uu“反向传播反向传播”是指其权值调节的方式是指其权值调节的方式。uu在在训练（学习）阶段训练（学习）阶段，输入样本逐层向前
15、传播，直到，输入样本逐层向前传播，直到 输出层计算出网络的输出。输出层计算出网络的输出。uu目标输出目标输出与与实际输出实际输出进行比较，形成进行比较，形成误差项误差项。智能检测7.2 7.2 神经网络与智能检测建模神经网络与智能检测建模第七章第七章 基于神经网络的智能检测基于神经网络的智能检测n n 反向传播算法反向传播算法 uu此时，网络的连接可以被理解为发生了此时，网络的连接可以被理解为发生了“反向反向”，误，误 差作为差作为连接反向连接反向后的网络输入，逐层反向传播，所经后的网络输入，逐层反向传播，所经 过的连接，其权值被调整，如图。过的连接，其权值被调整，如图。智能检测7.2 7.2
16、 神经网络与智能检测建模神经网络与智能检测建模第七章第七章 基于神经网络的智能检测基于神经网络的智能检测n n 反向传播算法反向传播算法 uu常用的系统误差函数为常用的系统误差函数为均方差（均方差（MSEMSE）函数）函数：uu 相应的误差评价准则为：相应的误差评价准则为：其中，其中， 和和 目标和实际输出。目标和实际输出。 P P为训练样本总数。为训练样本总数。分别为第分别为第p p个训练样本作用下的网络的个训练样本作用下的网络的其中，其中， 理论上是无穷小，而实际上是反映误差允许度的理论上是无穷小，而实际上是反映误差允许度的 一个设定值。一个设定值。智能检测7.2 7.2 神经网络与智能检测建模神经网络与智能检测建模第七章第七章 基于神经网络的智能检测基于神经网络的智能检测n n 反向传播算法反向传播算法 uu神经元神经元i i到到j j的连接权值为的连接权值为w wji ji，对其调节量，对其调节量w wji ji作如下定作如下定 义：义：其中，其中， 是学习率，误差项是学习率，
