一种用于模式分类有监督的模糊ART神经网络

D0I:10.13374/j.issn1001-053x.2000.03.020 第22卷第3期 北京科技大学学报 Vol.22 No.3 2000年6月 Journal of University of Science and Technology Beijing June 2000 一种用于模式分类有监督的 模糊ART神经网络 潘紫微) 徐金梧) 1)华东冶金学院，马鞍山2430022)北京科技大学机械工程学院，北京100083 摘要探讨了一种将有监督学习机制融合到模糊ART网络构成一个有监督的模糊ART神 经网络模型.这种网络能同时处理有监督和无监督学习问题，并具有积累和增加网络学习的能 力.对该网络进行了滚动轴承检测数据模式分类实验，并与BP网络进行了比较性实验.结果表 明：该网络具有良好模式分类能力和较好的可塑性， 关键词神经网络：模糊理论：模式识别 分类号TP206.3:TP133.3 人工神经网络训练策略可分为有监督学习 计输出之间匹配程度的匹配信号.如果理想输 和无监督学习.在有监督学习中，目标输出模式 出与预计输出不同，那么对于输入矢量来说必 与各个训练样本是有密切联系的；而无监督 须选择另一个类别，而匹配控制单元就可实现 学习的神经网络，其信息来源就是输入模式本 这个功能. 身，这2种学习策略具有各自的优点和使用场 理想输出预计输出 合).本文试图探讨一种将这2种学习机制融 合在一起、用于模式分类的有监督的模糊ART F3输出层 神经网络模型， F2类别 重置 表示层} 1有监督模糊ART神经网络构造及 约束非约束 匹配 学习过程 F1输入层 控制 1.1网络构造 输入 有监督模糊ART神经网络结构为3层结 图1监督学习的模糊ART网络结构 构，见图1所示.图中下面2层是基本模糊ART Fig.1 Architecture of supervised fuzzy ART 结构，该结构是一个典型的无监督网络，但它 1.2网络学习过程 在由底向上的连接权重和匹配控制机制上与原 网络学习过程同样分为4个阶段： 模糊ART结构有所不同.在基本模糊ART结构 (1)输入矢量正则化阶段.F1为特征输入 的F2上增加了一层，即F3输出层.在学习过程 层，在特征输入层中采用了兴奋型和抑制型神 中，F2与F3之间的连接权重对F2所选的类别 经元对，对原始输入矢量I取补为，即 进行学习，以获得理想输出.最初，网络对所有 I=(i,,w),I=(i,,), 的类别都没有约束，但一旦一个类别被选中并 诉=1-，1≤isN (1) 满足匹配准则，则它将受到约束，如果某个类别 (2)模式识别阶段.当给F1输入一个输入 受到了约束，F3层将读出与之相应的预计输出. 在学习期间，在F3中将计算反映理想输出和预 矢量后，在2层中各结点不同程度被激活，根 据选择函数选择结点J为候选类别，选择函数 为： 1999-10-19收稿潘紫微男，43岁，副教授，硕士 含dP+-V Σ(i-b) (2)

第 卷 第 期 以洲】 年 月 北 京 科 技 大 学 学 报 ’ 】 留 价站 侧阅 一种用于模式分类有监督的 模糊 神经 网络 潘紫微 ” 徐金梧 ， 华东冶金学 院 ， 马鞍山 北京科技大学机械工程学院 ， 北京 摘 要 探讨 了一 种将有 监 督学 习 机制 融合到模糊 网络构成 一个有监 督 的模糊 神 经 网络模型 这种 网络 能 同时处 理有监 督和 无监 督学习 问题 ， 并具有积 累和 增加 网络学习 的能 力 对 该 网络进行 了滚动轴承检测数据模式分类 实验 ， 并与 网络进行 了 比较性实验 结果表 明 该 网络 具 有 良好模式分类能力和 较好 的可 塑性 关键词 神经 网络 模糊 理 论 模式识 别 分类号 仰 仰 人工 神经 网络 训 练策略可分 为有 监 督学 习 和 无监 督学习 在有监 督学 习 中 ， 目标输 出模式 与各 个 训 练样本 是有 密 切 联 系 的 而 无 监 督 学 习 的神经 网络 ， 其信 息 来 源 就 是 输入模式本 身 这 种学 习策略具有各 自的优点和 使用场 合 【， ， ， 本 文试 图探 讨一 种将 这 种 学 习 机制 融 合在一起 、 用 于 模式分类 的有监 督 的模糊 神经 网络模型 计 输 出之 间匹配 程度 的匹 配信 号 如 果 理想 输 出与预计输 出不 同 ， 那 么 对 于 输入矢量 来说必 须选择另一 个类别 ， 而 匹配控制单元就 可 实现 这个 功 能 理想输出 预计输出 输出层 类别 表示层 重置 有监督模糊 神经 网络构造及 学习过程 网络构造 有监 督模糊 ， 神 经 网 络 结 构 为 层 结 构 ， 见 图 所 示 图中下 面 层 是 基本模糊 结构 ， 该结构是 一个典型 的无监督 网络【切 ， 但它 在 由底 向上 的连接权重和 匹配控制机制 上 与原 模糊 结构有所 不 同 在基 本模糊 结 构 的 上 增加 了一 层 ， 即 输 出层 在学 习过程 中 ， 与 之 间 的连接权重 对 所 选 的类别 进 行学 习 ， 以获得理想 输 出 最 初 ， 网络 对所有 的类别 都 没 有 约 束 ， 但一 旦 一 个类别 被 选 中并 满足 匹配准则 ， 则它将 受到约束 如 果某个类别 受到 了约束 ， 层将读出与之相应 的预计输 出 在 学 习 期 间 ， 在 中将计 算反 映理想输 出和 预 约束 非约束 尸 输入层 匹配 控制 输入 图 监督学习的模糊 网络结构 ，月 加刀甲 网络学习过程 网络 学 习过程 同样分为 个阶段 输入 矢量正 则化阶段 为特 征输入 层 ， 在特征输入层 中采 用 了兴 奋型 和 抑 制 型 神 经元对 ， 对原始输入矢量 取补为 ， 即 ， … ， ’ ， 二，踢 ， ， 一 瓦 ， 三 模式识别阶段 当给 输入一 个输入 矢量后 ， 在 层 中各 结点不 同程度被激活 ， 根 据选择 函数选择 结点 为候选类别 ， 选择 函 数 一 为 收稿 潘紫微 男 ， 岁 ， 副 教授 ， 硕 士 一 ， · 薄丽 卜刃 · 洒而 ， DOI ：10．13374／j ．issn1001－053x．2000．03．020

VoL22 No.3 潘紫微等：一种用于模式分类有监督的模糊ART神经网络 ·263· i-vin i>vi (3)匹配重置阶段.如果所选结点不是约束 式中：d明={4-，i<4: 结点，则不必检验匹配准则.因在搜索包含有输 0,i,≤ni≥4 入矢量I的约束结点失败后，第1次所选的非 式中，B为网络参数，取值范围为[0,1]：b:为F1 约束结点当然就是正确的选择，候选类别必须 层和F2层之间的由底向上的连接权重，初始值 满足3个准则，第一个准则是所选的类别必须 为1；4：为输入矢量在F1层和F2层之间产生的 满足警戒线判别标准，即 由顶向下的连接权重，初始值为1：v为输入矢 (IVv)-(IA)SNx(1-p) (4) 量取补后在F1层和F2层之间产生的由顶向下 式中，警戒参数p∈[0,1]. 的连接权重，初始值为1， 如果候选类别被接受，在学习包含有输入 对于F2层中各结点j的所对应的权重矢量 矢量的期间，对应的超矩形将被扩展.不等式的 为：%=(，)，各权重矢量的几何意义为一个 左边一项反映扩展的超矩形大小，警戒线判别 N维超矩形空间，矢量4，和y分别对应于超矩形 标准对低于某阙值的每个超矩形大小进行检 的2个顶点.对于二维空间，图2显示了一个平 验，并明确指出经过学习所学到的模式与输入 面矩形与权重矢量之间的关系。一般来说，相同 矢量之间的相似度，如果所选的类别表示嵌套 的超矩形空间在特征空间中对应于相同的簇， 超矩形中一个内部的超矩形，还必须满足以下 然而，一个簇的输入矢量可能与同一个输出矢 条件： 量没有联系，这是因为若干个超矩形嵌套所致. lTv)-(IAul≤a-d (5) 1 式中，和为外部超矩形的顶点：a为嵌套参 数，取值范围是a<0.25. W 不等式(5)表示在有嵌套的超矩形中，内部 的超矩形扩展不能将外部的超矩形覆盖的太 U 多 第2个准则是扩展的超矩形不能与其他超 0 1 矩形重叠.就是说，对于所有的约束结点k扩展 图2权重矢量与二维矩形空间的关系 的超矩形必须满足一些条件.这个准则可避免 Fig.2 Relationship between weight vectors and 在相位识别上发生混淆.如果这个条件不满足， 2-D rectangular space 系统将搜索其他邻近的超矩形或产生新的类 对于F2与3之间的连接权重为，表示对 别，即在F2层中选择另一个未约束的结点. 应于F2层第j个结点的权重矢量.在学习过程 第3个准则是对候选的类别必须做出正确 中，该权重矢量在3层上学习被激活模式. 的预计，所选的结点通过F2与F3之间的连接 选择函数的几何学解释为：第1项为计算 在F3层上生成一个预计输出模式.这个预计必 输入矢量I与F2层第j个结点所对应的超矩形 须与输入矢量I的理想输出相匹配.这个准则 之间的欧氏距离，只要输入矢量位于超矩形 是通过将一个匹配机构配置到F3层的每个结 内，则欧氏距离为零.另外，第2项为计算输入 点上来实现的.图3显示了这一过程. 矢量与样板矢量b,之间的欧氏距离.这样，在超 理想输出 相等逻辑 矩形中选择函数既考虑了经过学习所学到的模 式也考虑到统计特性，设由J来表明所选定的 类别，即： F3 预计输出 T=min(T:j=1…MW (3) 对于选择函数来说，F2层中所有不受约束 的结点都具有最大值.如果输入矢量I位于具 有嵌套的超矩形中，除非它的模板离I较远，否 则选择在嵌套的超矩形中最里面的超矩形所对 应的结点是J.被选中的结点激活值为1，而其 图3在3层各结点中的处理过程 他结点被置为0. Fig.3 Processing of neurons in F3

潘紫微 等 一 种用 于模式分类有监 督的模糊 神经 网络 式中 ， ， 卜 一 践 “ 嵘 嘶 一 少 一 ‘，， “ ， ，二 夕 ，， ，七 ， · 式 中 ，刀为 网络 参数 ， 取 值 范 围为 ， 匆为 层和 层 之 间 的 由底 向上 的连 接权 重 ， 初始值 为 踌 ‘为输 入矢 量 在 层 和 层 之 间产生 的 由顶 向下 的连接权重 ， 初 始值 为 岭为输入矢 量取 补 后 在 层 和 层 之 间产 生 的 由顶 向下 的连接权重 ， 初 始值 为 对 于 层 中各 结 点 的所对应 的权重矢量 为 琳 ’，可 ， 各 权重矢 量 的几 何 意义 为一 个 维 超矩 形 空 间 矢量 绮和 分别 对应 于超矩形 的 个顶点 对于 二 维 空 间 ， 图 显 示 了一 个平 面矩 形与权重矢量之 间 的关 系 一般来说 ， 相 同 的超矩形 空 间在特征空 间中对 应 于 相 同 的簇 然 而 ， 一 个簇 的输 入 矢 量 可 能 与 同一 个 输 出矢 量 没有联 系 ， 这 是 因为若干 个超矩形 嵌套所致 鱿 曰，一且 图 权重矢量与二维矩形空间的关系 · 啥 一 概 对 于 与 之 间 的连接权重 为 ， 垮表 示对 应于 层 第 个 结 点 的权重 矢 量 在 学 习 过程 中 ， 该权重 矢 量 在 层 上 学 习 被激 活 模式 选 择 函 数 的几何学解释 为 第 项为计算 输入矢 量 与 层 第 个结 点所对 应 的超 矩形 之 间 的欧 氏距 离 ，，， 只 要输入 矢量 位于 超矩形 内 ， 则 欧 氏距 离 为 零 另 外 ， 第 项 为计 算输入 矢 量 与样板矢 量吞之 间 的欧 氏距 离 这 样 ， 在超 矩形 中选择函数既 考虑 了经 过学 习所 学 到 的模 式 也 考虑 到 统 计特性 设 由 来表 明所 选 定 的 类 别 ， 即 二 不 卜一功 对 于 选择 函数来说 ， 层 中所有不 受 约束 的结点都具有最 大值 如 果 输入 矢 量 位 于 具 有嵌套 的超矩 形 中 ， 除非 它 的模板 离 较 远 ， 否 则选择在嵌套的超矩形 中最 里 面 的超矩形 所对 应 的结 点是 被选 中的结 点激 活 值为 ， 而 其 他结点被置 为 匹配重置 阶段 如果所选结 点不 是约束 结点 ， 则不必检验匹配准则 因在搜索包含有输 入 矢 量 的约 束结 点 失败 后 ， 第 次 所 选 的非 约束结点当然就是正 确 的选择 候选类别必 须 满足 个准则 第一 个准 则 是 所选 的类别 必 须 满足警戒线判别标准 ， 即 了八 ，‘ 协 一 式 中 ， 警戒参数户 ， 〕 如果 候选类别被接受 ， 在 学 习 包 含 有输入 矢量 的期 间 ， 对应 的超矩 形将被扩 展 不 等式的 左 边一 项 反 映扩 展 的超矩 形 大 小 警 戒线 判别 标 准对 低 于 某 闽值 的每个 超 矩 形 大 小 进 行检 验 ， 并 明确指 出经 过学 习所 学 到 的模式与输入 矢 量之 间 的相 似 度 如 果所选 的类别 表 示嵌套 超矩形 中一 个 内部 的超矩 形 ， 还 必 须 满足 以下 条 件 ，一 八 司 ‘ 讨一 式 中 ， 记 和 踌 为外部超矩 形 的顶 点 为嵌套 参 数 ， 取值 范 围是 不 等式 表 示 在 有嵌 套 的超矩形 中 ， 内部 的超 矩 形 扩 展 不 能将 外 部 的超 矩 形 覆 盖 的太 多 第 个准 则是扩展 的超矩形 不 能 与其他超 矩 形 重 叠 就 是说 ， 对于 所 有 的约束 结 点 扩 展 的超矩形 必 须满足一 些条件 这个准则可 避 免 在相位 识别上发生混淆 如果 这个条件不满 足 ， 系统 将 搜 索其 他邻近 的超 矩 形 或 产 生 新 的类 别 ， 即在 层 中选择 另一 个未约 束 的结 点 第 个准则 是 对候选 的类别 必 须 做 出 正 确 的预计 ， 所选 的结点通过 与 之 间的连接 在 层 上 生成一 个 预计 输 出模式 这 个 预计 必 须与输入 矢量 的理想输 出相 匹 配 这个准则 是 通 过将一 个 匹 配机构配 置 到 层 的每个 结 点 上 来实现 的 图 显 示 了这 一 过程 ’ 口 玩 笙 铸 材 图 在 层各结点 中的处理过程 咭 · 刀

·264· 北京科技大学学报 2000年第3期 如果预计输出与理想输出在一个较小的 1 量I,包含有矢量I的超矩形与理想输出不同， 值范围内相匹配，那么等同逻辑的输出为1.如则产生新的类别.一开始，新的类别在最初的超 果以上所述的匹配准则中的任何一个不满足， 矩形中只是表示特殊的一点.这个点将扩展，但 所选的结点被重置搜索继续进行.换句话说，如 如果在这个点的附近有另一个这样的输入矢量 果所有的匹配准则被满足或选择了一个未受约 的存在，则产生嵌套的超矩形 束的结点，则系统进入谐振状态， 在F2与F3之间的连接中，对应于所选结点 (4)学习阶段.一旦网络进入谐振，则网络 J的权重矢量，其所学习的理想输出模式为O 进入学习阶段.在学习阶段，有3种权重需要修 学习规则是： 改，一是从F1到F2的由底向上的连接权重通 t=0; (8) 过簇类欧氏学习算法进行修改： 如果所选结点是个无约束的结点，则上式 bn=(1-)×bt×i (6) 才有效.因为在一个类别中所有输入将映射到 式中：为学习速率， 同一个输出模式上，只有当产生一个新的类别 通过学习，权重矢量b向输入矢量靠找，最 时才进行理想模式的学习.在任何时候，训练样 终权重矢量将是第J类的模板矢量.实际上权 本不一定具有理想的输出，当存在理想输出时， 重矢量参加了输入矢量与各类别之间的相似性 网络模型才能学会对理想输出的联想，即有监 测量.由于包容了簇类的统计特性，使选择函数 督的学习.对于一个输入矢量来说网络选择了 可以补偿因超矩形而带来的过于统一化. 一个候选类别，如果所选的类别的输出模式与 二是从F2到F1的由顶向下的连接权重通 理想的输出模式不同，则这个类别将被重置.搜 过以下学习规则进行修改： 寻将一直继续，直到选择了一个具有相同输出 =V4,=IA以 (7) 模式的类别或产生一个新的类别.所选类别的 通过式（⑦）学习规则，超矩形将扩展以致于 超矩形也许会因该输入矢量而扩展，另一方面， 把输入矢量I包容进去，矢量和是扩展的超矩形 当理想输出不存在时，网络模型根据它已学会 新的顶点.二维空间的情景见图4所示.如果 的联想做一个预计和归纳，既无监督的学习.如 所选的结点是一个不受约束的结点，因 果所选类别没有被匹配准则所重置，则读出该 V1=IIA1=I,则扩展的超矩形显而易见就是 类别的输出模式并且其超矩形也因输入模式而 由矢量I所在的特征空间中的一个点， 扩展.如果产生一个新类别，该系统将要求用户 1O 11b) 为这个新奇的输入矢量提供理想的输出模式， 这个新的联想将被处理为另一个训练样本来训 练该系统.因此，该系统具有不断积累知识和增 加知识的能力 2实验分析 图4在学习中矩形」扩展到包含输入矢量的最小矩形 (a)最初矩形只是一个点，(b)矩形表示一个类别 本网络模型对308球轴承疲劳实验所采集 Fig.4 Rectangel J extends to include input vectors during 的检测数据进行了模式分类实验.检测的数据 learning.(a)original rectangel is a point(b)rectangel re- 是：峰值Max、有效值Rms、平均值Pro、方差Del presents a set 和峭度值Kur共5个特征参数，共有48组数据， 根据匹配准则，如果对于所映射的输入矢 前24组为球轴承完好时采集的数据，后24组为 表1归一处理的部分检测数据 Table 1 Some normalized data for testing Max Rms Pro Del Kur F Max Rms Pro Dal Kur 0.052 0.183 0.300 0.130 0.067 0 0.403 0.558 0.767 0.490 0.727 0.073 0.241 0.383 0.170 0.067 0 0.558 0.642 0.850 0.580 1.000 0.116 0.300 0.460 0.230 0.123 0 1.000 1.000 1.000 1.000 1.000 0.173 0.333 0.500 0.270 0.323 0 0.746 0.850 0.933 0.850 1.000 0.105 0.333 0.533 0.250 0.066 0 0.295 0.583 0.833 0.480 0.335 0.113 0.333 0.517 0.250 0.099 0 0.628 0.800 0.917 0.780 1.000 1

北 京 科 技 大 学 学 报 年 第 期 如 果 预计 输 出与 理 想输 出在 一 个较 小 的 闽 值范 围内相 匹 配 ， 那 么 等 同逻辑 的输 出为 如 果 以上 所 述 的 匹 配准 则 中的 任 何 一 个 不 满 足 ， 所选 的结点被重置 搜索继续进行 换句话说 ， 如 果 所有 的匹 配准则被满足或选择 了一 个未 受约 束 的结 点 ， 则 系统 进入谐振状态 学 习 阶段 一 旦 网络 进入谐振 ， 则 网络 进入 学 习 阶段 在学 习 阶段 ， 有 种权 重需要 修 改 一 是 从 到 的 由底 向上 的连接权重通 过簇类 欧 氏学 习 算法 进行 修改 扔 ‘ 一又 越 式中 又为学习速率 通过学 习 ， 权重矢 量 向输入 矢 量 靠拢 ， 最 终 权重矢 量将 是 第 类 的模板矢 量 实际上权 重 矢量参加 了输入 矢量 与各类别之 间 的相似性 测 量 由于 包 容 了簇类 的统计特 性 ， 使选择 函数 可 以补偿 因超矩 形 而 带来 的过 于 统 一 化 二 是 从 到 的 由顶 向下 的连接 权重通 过 以下 学 习 规 则 进 行修 改 “ 尹 气 才 通 过 式 学 习 规 则 ， 超矩 形将扩 展 以致 于 把输入矢量 包容进 去 矢量和 是扩展 的超矩形 新 的顶 点 二 维空 间 的情 景见 图 所示 如果 所 选 的 结 点 是 一 个 不 受 约 束 的 结 点 ， 因 二 ， 则 扩 展 的超矩 形 显 而 易见 就 是 由矢量 所在 的特 征 空 间 中 的一 个 点 量 ， 包含 有矢 量 的超 矩形 与理 想 输 出不 同 ， 则产生 新 的类别 一开 始 ， 新 的类别在最初 的超 矩形 中只 是表 示特殊 的一 点 这 个点将扩展 ， 但 如 果在这 个 点 的附近 有另 一 个 这 样 的输入 矢量 的存在 ， 则产生 嵌套 的超矩形 在 与 之 间 的连 接 中 ， 对 应 于 所 选 结 点 的权重矢 量 ， 其所学 习 的理想输 出模式为’ 学 习 规 则 是 区 如 果所 选 结 点 是 个无 约 束 的结 点 ， 则 上 式 才有 效 因 为在一 个类别 中所 有输入将 映射 到 同一 个输 出模 式上 ， 只 有 当产生 一 个 新 的类 别 时才进行理想模式的学 习 在任何时候 ， 训练样 本不 一 定具有理想 的输 出 当存在理 想输 出 时 ， 网络模型才能学会对理想输 出的联想 ， 即有监 督 的学 习 对于 一 个输入矢 量 来说 网络 选 择 了 一 个候选类别 ， 如果所选 的类 别 的输 出模式与 理想 的输 出模式不 同 ， 则这个类别将被重 置 搜 寻 将一 直继 续 ， 直到 选择 了一 个 具 有 相 同输 出 模式 的类别 或 产 生 一 个新 的类别 所选类别 的 超矩 形 也 许会 因该 输 入矢 量 而 扩 展 另一 方 面 ， 当理 想输 出不 存在时 ， 网络模型根据 它 已 学会 的联想 做一个 预计和 归纳 ， 既无 监督 的学 习 如 果所 选类别 没 有 被 匹 配准 则所 重置 ， 则 读 出该 类别 的输 出模式并且其超 矩形 也 因输入 模式而 扩 展 如果 产生 一 个新类别 ， 该系统将要 求用户 为这个 新 奇 的输入 矢 量提供 理 想 的输 出 模式 这个新 的联想将被处 理 为另一 个 训 练样本来训 练 该 系统 因此 ， 该 系统 具 有 不 断积 累 知 识和 增 加知识 的能力 ︸ 钾 · ︸… 习 刃… 。 呼 图 在学习中矩形 扩展到包含输入矢量的最小矩形 最初矩形只是一个点 ， 矩形表示一个类别 电 伙 梦 ’ 乡 罗 伶 州，姆 根据 匹配准 则 ， 如 果 对 于 所 映射 的输入 矢 实验分析 本 网络 模 型 对 球轴 承 疲 劳 实验 所 采集 的检 测 数据进行 了模式分类实验 检测 的数据 是 峰值 、 有效值 、 平均值 、 方差 和 峭度值 共 个特 征参数 ， 共有 组 数据 ， 前 组 为球 轴承完好 时采集 的数据 ， 后 组 为 一 以 表 知 归一处理 的部分检测数据 豹藻 二 址

Vol.22 No.3 潘紫微等：一种用于模式分类有监督的模糊ART神经网络 ·265 球轴承疲劳故障时采集的数据，F表示轴承有无 能力既有较大的刚性，又有较大的可塑性， 疲劳故障，部分检测数据见表1所示. 为了便于评价网络的模式分类能力，将检 3结论 测数据集分成2部分，一是训练集有24组数据， (1)理论和实验证明：有监督模糊ART学习 二是验证集有24组数据.首先用训练集只呈现 模型无论在模式识别能力和网络性能上均优于 一次来训练网络，然后用验证集检验网络的性 单纯的有监督或无监督网络模型， 能.并分2种情况呈现给网络，即将训练集中的 (2)网络中由于采用了有监督学习和无监督 训练实例按顺序或随机呈现给网络。实验表明 学习，则在网络模型运行过程中，可以知道或不 在上述2种情况下网络成功率达到97%.这说 知道对应于各样本的理想输出，因此网络的可 明该网络模型对故障模式具有模式分类能力. 塑性较强，适用于在线故障诊断. 另外，利用以上检测数据集对有监督的模 (3)虽然对该网络初步地进行了理论和实验 糊ART网络和BP网络)的识别结果进行了一 研究，但例如像扩展的超矩形的重叠检验和有 次对比实验.BP网络的隐层数取1，学习参数取 效的匹配控制方法等许多问题还需进一步探讨， n=0.9、动量因子取a=0.7、学习精度为 参考文献 c=0.00001.实验表明：有监督模糊ART和BP2 1 Gail A Carpenter,Stephen Grossberg,David B Rosen.Fu- 种类型网络的成功率分别为97%和96.8%.通过 zzy ART:Fast Stable Learning and Categorization of Anal- 比较，可知有监督模糊ART网络只要将数据集 og Patterns by an Adaptive Resonance System.Neural Net- 呈现一次的时间即可获得优越的性能，而BP网 works,1991(4):759 络确需要是前者几百倍的训练时间才能达到所 2杨行峻，郑易里.人工神经网络.北京：高等教育出版 要求的性能 社，1992 最后，对有监督的模糊ART网络进行了可 3潘紫微，徐金梧.基于模糊ART神经网络的自适应模 糊故障模式识别方法.中国机械工程，19945)：116 积累和增加知识的能力的实验，在实验中，利用 4汪培庄，李洪兴.模糊系统理论与模糊计算机，北京： 48个组样本中每一个样本依次训练网络.在学 科学出版社，1996 习了新的样本之后，再利用以前学习过的每个 5曹焕光.人工神经元网络理论.北京：气象出版社，1992 样本来实验网络，对新来的样本，其学习并不破 坏原有知识的记忆，这说明该网络记忆知识的 A Supervised Fuzzy ART Neural Network for Pattern Classification PAN Ziwei,XU Jinwu 1)East China University of Metallurgy,Ma Anshan243002,China 2)Mechanical Engineering Shool,UST Beijing,Beijing100083,China ABSTRACT A new neural network model that incorporates a supervised mechanism into a fuzzy ART is in- vestigated.The model can cope with supervised learning and unsupervised learning simultaneously,and has the ability of incremental learning.A few experiments of bearing patter classification prove performance of the model and by comparing performance of the model with BP model.The results of experiments indicate that the model has the ability of pattern classification and flexibility. KEY WORDS neural network;fuzzy theory;pattern recognition

潘紫微等 一种 用 于 模式分类有监 督 的模糊 神经 网络 球轴承疲 劳故 障时采集 的数据 ， 表 示轴承有无 疲劳 故障 ， 部 分检 测 数据 见 表 所 示 为 了便 于 评 价 网络 的模式分类 能 力 ， 将检 测 数据 集 分成 部 分 ， 一 是 训 练集 有 组 数据 ， 二 是验 证 集有 组 数据 首先用 训 练集只 呈 现 一 次来训 练 网络 ， 然 后 用 验 证 集 检验 网络 的性 能 并分 种情况 呈 现给 网络 ， 即将训练集 中的 训 练 实例 按 顺序或 随机 呈 现给 网络 实验 表 明 在土述 种情况 下 网络 成 功 率达 到 这 说 明该 网络 模 型 对故 障模式 具 有 模式 分类 能力 另 外 ， 利 用 以上 检 测 数据 集 对有 监 督 的模 糊 网络 和 网络 〔 的识 别 结 果进行 了一 次对 比实验 网络 的 隐层 数取 ， 学 习 参数 取 叮 、 动 量 因 子 取 、 学 习 精 度 为 。 实验表 明 有监督模糊 和 种类型 网络 的成 功率 分 别 为 和 通过 比较 ， 可 知 有 监 督模 糊 网络 只 要将 数据 集 呈 现 一 次 的 时 间 即可 获得优越 的性 能 ， 而 网 络 确 需 要 是 前者 几 百 倍 的 训 练 时 间才 能达到 所 要求 的性 能 最 后 ， 对 有监 督 的模糊 ’ ， 网络 进行 了可 积 累和增加知识 的能力的实验 在实验 中 ， 利用 个 组 样 本 中每一 个样本 依次训 练 网络 在 学 习 了新 的样 本之 后 ， 再 利 用 以前 学 习 过 的每个 样本来实验 网络 ， 对 新来 的样本 ， 其学 习并不破 坏 原有 知 识 的记 忆 ， 这 说 明该 网络 记忆 知 识 的 能力 既有较大 的刚 性 ， 又 有较大 的可 塑 性 结论 理论 和 实验证 明 有 监 督模糊 学 习 模型无论在模式识 别 能力和 网络性能上均优于 单纯 的有监 督 或 无监 督 网络模型 网络 中由于 采用 了有监 督学习和 无监督 学 习 ， 则在 网络模型运行 过程 中 ， 可 以知 道或不 知 道对 应 于 各样本 的理 想 输 出 因此 网络 的可 塑 性较强 ， 适 用 于 在 线故 障诊 断 虽 然对 该 网络初步地进行 了理 论 和 实验 研 究 ， 但 例 如像扩 展 的超矩 形 的重 叠 检验和 有 效的匹配控制方法等许多问题还需进一步探讨 参 考 文 献 ， 笔 ， 双 田书 。 约劝 助 ， 杨 行 峻 ， 郑 易里 人工 神经 网络 北 京 高等 教育 出版 社 ， 潘紫微 ， 徐金梧 基 于模糊 神经 网络 的 自适应模 糊故 障模式识别方法 中国机械 工 程 ， 汪 培庄 ， 李洪兴 模糊系统理论与模糊计算机 ， 北京 科 学出版社 ， 曹焕光 人工神经元 网络理论 北京 气象出版社 ， 于月 ， 火 沪 】 ， ， 耐 ， ， ， 幻刀 耐 田皿 田爪 加 ， 田卫 讲 勿 而 让旧 丘以