基于人工神经网络的预测研究-答辩ppt.ppt

单击此处编辑母版标题样式,单击此处编辑母版文本样式,第二级,第三级,第四级,第五级,*,研究任务,通过运用人工神经网络建模，可以进行预测事物的发展，节省了实际要求证结果所需的研究时间。,论文分为六个部分，第一部分主介绍了人工神经网络的研究背景及意义；第二部分主要介绍了人工神经网络的概念，基本原理、分类和分析方法，第三部分讨论了有预测能力的是BP网络。而在第四部分，讨论了也具有预测功能的RBF网络。第五个部分通过举一个空调故障预测的例子来展示以及对比两种预测网络的能力。最后一个部分对论文进行总结，提出了人工神经网络预测的发展前景。,参考文献,董军,胡上序,混沌神经网络研究进展和展望J信息与制,1997,26(5)”360-368.,中国机械工程学会设备维修分会,机械设备维修问答丛书,编委会空调制冷设备维修问答.Z机械工业出版社.,宋桂荣.,改进BP算法在故障诊断中的应用.N沈阳工业大学学报,2001.23(3):252254.,韩力群,人工神经网络理论、设计及应用.M北京:化学工业出版社,2002.,余江海.一种制冷系统故障诊断方法.C 上海交通大学硕士论文,2001.,马锐,人工神经网路原理,M机械工业出版社.,朱大奇,人工神经网络研究现状及其展望,N江南大学学报2004.3:103108,胡金滨,唐旭清.人工神经网络的BP算法及其应用J.信息技术,2004,28(4);14.,智会强,牛坤,田亮等.BP网络和RBF网络在函数逼近领域内的比较研究J.科技通报,2005,2(2).,刘永.张立毅,BP网络与RFB神经网络的实现及其性能比较J.电子测量技术研究设计。2007.4：7780.,胡守仁,余少波,戴葵,神经网络导M.长沙:国防科技大学出版社,1992.,内容安排顺序,人工神经网络的研究背景及意义,人工神经网络的概念，基本原理、分类和分析方法,BP预测网络,RBF预测网络,人工神经网络运用于空调系统故障的预测,结论与展望,人工神经网络的预测例子,现在人工神经网络广泛运用到了各个领域，它的更多用法也在不断被开发中，用它来预测事物的发展也是其中之一，而现在人工神经网络预测模型可通过几个问题就能确定答题者是否感染艾滋病，以往判定出入境人员是否感染艾滋病，必须要进行特异性血清学诊断和病原体检测，不仅花费时间，还需要被检测者支付一定的费用，因而工作比较难以开展。项目鉴定组组长、广东省出入境检验检疫局卫生检疫处处长胡龙飞认为，这一项目使得在没有特异性血清学诊断和病原体检测的条件下，有望在口岸疾病监测和现场卫生检疫工作中及时发现性病、艾滋病高危人群，尽早切断传播途径，最大限度地保障口岸安全。据了解，用这个模型研究者随机抽取了15例梅毒患者和15例非性病患者进行测试，结果该模型准确地识别出15例梅毒病例，准确率达100%。这就是人工神经网络预测的意义，通过问题建模用反向传播算法来计算出答案，直接缩短了原本检查需要的实验时间。,人工神经网路的原理,人工神经网络是一种应用类似于大脑神经突触联接的结构进行信息处理的数学模型。神经网络是一种运算模型，由大量的神经元之间相互联接构成。每个神经元代表一种特定的输出函数，称为激励函数。每两个神经元间的连接都代表一个对于通过该连接信号的加权值，称之为权值，这相当于人工神经网络的记忆。网络的输出则依网络的连接方式，权重值和激励函数的不同而不同。而网络自身通常都是对自然界某种算法或者函数的逼近，也可能是对一种逻辑策略的表达。,人工神经网路的原理,人工神经网络是对人类神经系统的一种模拟。尽管人类神经系统规模宏大、结构复杂、功能神奇，但其最基本的处理单元却只有神经元。人工神经系统的功能实际上是通过大量神经元的广泛互连，以规模宏伟的并行运算来实现的。,人工神经网反映了人脑功能的若干基本特性，但并非生物系统的逼真描述，只是某种模仿、简化和抽象。,人工神经网路的原理,与数字计算机比较，人工神经网络在构成原理和功能特点等方面更加接近人脑，它不是按给定的程序一步一步地执行运算，而是能够自身适应环境、总结规律、完成某种运算、识别或过程控制。,神经元也和其他类型的细胞一样，包括有细胞膜、细胞质和细胞核。,人工神经网路的原理,生物神经元的信息传递与处理示意图,人工神经网路的原理,人工神经元的一般模型,BP网络的预测,BP网络是一种按误差逆传播算法训练的多层前馈网络，是目前应用最广泛的神经网络模型之一。BP网络能学习和存贮大量的输入-输出模式映射关系，而无需事前揭示描述这种映射关系的数学方程。它的学习规则是使用最速下降法，通过反向传播来不断调整网络的权值和阈值，使网络的误差平方和最小。,BP网络的预测,典型的BP网络结构模型,BP网络的预测,BP 算法因其简单、易行、计算量小、并行性强等优点,是目前神经网络训练采用最多也是最成熟的训练算法之一。,BP 算法的实质是求解误差函数的最小值问题,由于它采用非线性规划中的梯度下降法,按误差函数的负梯度方向修正权值。其主要思路是求出训练网络的指标函数误差：,BP网络的不足,由于学习速率是固定的，因此网络的收敛速度慢，需要较长的训练时间。对于一些复杂问题，BP算法需要的训练时间可能非常长，这主要是由于学习速率太小造成的，可采用变化的学习速率或自适应的学习速率加以改进。,BP算法可以使权值收敛到某个值，但并不保证其为误差平面的全局最小值，这是因为采用梯度下降法可能产生一个局部最小值。对于这个问题，可以采用附加动量法来解决。,BP网络的不足,网络隐含层的层数和单元数的选择尚无理论上的指导，一般是根据经验或者通过反复实验确定。因此，网络往往存在很大的冗余性，在一定程度上也增加了网络学习的负担。,网络的学习和记忆具有不稳定性。也就是说，如果增加了学习样本，训练好的网络就需要从头开始训练，对于以前的权值和阈值是没有记忆的。但是可以将预测、分类或聚类做的比较好的权值保存。,RBF的网络预测,RBF神经网络是一种具有拓扑结构的前向神经网络由输入层、隐含层、输出层构。,RBF神经网络以径向基函数作为隐层单元的基,构成隐含层空间,隐含层对输入矢量进行变换将低维的模式输入数据变换到高维空间内,使得在低维空间内的线性不可分问题在高维空间内线性可分。,RBF模拟了人脑中局部调整、相互覆盖感受野，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。,RBF网络结构图,RBF网络,输入层：,隐层：,一维,二维,输出层：,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。,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。,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。,空调故障预测建模,建立预测模型,空调系统故障诊断的神经网络模型分为3 层,分别为输入层、隐含层和输出层。输入层节点个数为4,对应于4 个故障现象,输出层节点个数为12,对应于12 个故障原因。输出节点值的大小反映了故障出现的可能性。隐含层节点的个数可参照公式初步选取,:,BP与RBF网络的预测结果对比,BP网络,RBF网络,BP与RBF网络的预测结果对比,BP网络与RBF网络预测结果对比,（1）由于学习速率是固定的，因此BP网络的训练过程较长，当需要处理较复杂的问题时，需要的时间很长。而RBF网络的建网过程即是训练过程此外，训练时间较少精度也比较高。,（2）在处理同一问题时，通常情况BP网络所需的神经元个数比RBF网络要少。,（3）BP网络的输出和初始的权值有关，而RBF网络的输出与初始的权值无关。,（4）RBP网络隐含层的层数和单元数的选择要凭借经验反复验证，因此网络的冗余性比较大。RBF隐层节点的数目也在训练过程中确定。但是要确定径向基函数的分布密度。,结论与展望,人工神经网络近来越来越受到人们的关注，因为它为解决大复杂度问题提供了一种相对来说比较有效的简单方法。可以通过神经网络对事物进行预测从而用简单的方法完成复杂的问题。,如化学试验、机器人、金融市场的模拟、和语言图像的识别，等领域神经网络都取得了很好的效果。,结论与展望,人工神经网络的局限性,(1)受到脑科学研究的限制：由于生理实验的困难性，因此目前人类对思维和记忆机制的认识还很肤浅，还有很多问题需要解决；,(2)还没有完整成熟的理论体系；,(3)还带有浓厚的策略和经验色彩；,(4)与传统技术的接口不成熟。,上述问题的存在，制约了人工神经网络研究的发展。,相信只要能客服这些局限性，人工神经网络的发展将不可限量,谢 谢!,