Vol.17 No.3 潘紫微等：基于神经网络的自适应故膝模式分类方法 .265· 故障的诊断， 1ART-2网络的优点 ART一2网络是一种无监督的学习模型·这种模型与有监督的学习模型（例如目前 应用最广的BP网络)相比具有以下3方面的优点： ()BP网络的学习是在教师指导下的有监督学习，它必须提供由人工进行过分类的 学习样本，另一方面，BP网络学习状态与工作状态通常是分开的.而ART网络是自 组织的；学习过程无需教师指导；它能对任意输入矢量进行“实时学习”，就是说，ART 网络学习和工作是分不开的，因此它非常适用于在线监测， (2)ART网络学习过程受由顶向下传送的模式矢量指导，因而可以形成“集中注 意”的状态，也就是说可以有选择地学习，把注意力集中于某些特定内容（包括过去学 过的或新奇的)·由于权重系数的修正只涉及少量有关系数，因而较BP网络有很高的 学习效率(BP网络在学习过程中需要调整所有权重系数)， (3)BP网络有可能陷人均方误差的局部最小点，从而造成错误的分类结果，而 ART网络可以完全避免陷人局部最小点的问题)， 2ART一2故障模式分类模型的拓扑结构及作用过程 ART一2神经网络是以竞争和自稳机制为原则所建立的一种拓扑结构)，如图1所 示，它由两个子系统组成：一是“注意子系统”，其功能是对已学习过的模式进行快速 识别；二是“调整子系统”，其功能是在不破坏原来记忆的情况下迅速适应未学习的新 模式·图中F。为预处理部分，F,为特征输人部分，它们一起构成特征输人场，在特 征输人场中有相应的M个处理单元·F2为类别表示场，它只有1层，其中有相应的N 个输出单元（结点）.特征输入场和类别表示场为STM(short term memory)而它们 之间为LTM(long term memory)层.图1中只画出了第i个单元.在特征表示场中F。 和F,部分均采用了3层结构，其中包括正反馈、规格化及非线性变换，每一层里包括 两种功能不同的神经元，一种是空心圆，它表示这种神经元可能受到兴奋和抑制两种激 励，另一种是实心圆，其功能是求其输入矢量的模，并送出抑制激励· ART-2神经网络模型的作用过程可分为3个阶段：STM稳定阶段；搜索阶段和 LTM调整阶段. (1)STM稳定阶段 系统状态特征矢量输入到F。·由于在特征输人场中设计为F。和F,两部分，因此在 STM稳定阶段中可保证F,部分所有STM运算在由底向上被传送到F,之前是稳定的， 同时也能保证F。部分所有的STM运算在它们被输出到F,部分之前是稳定的· F。和F,部分的输人方程、规格化运算和非线性变换运算公式如下： Fo: Pn=Um (1) O=Pni÷(e+‖P。‖) (2)潘 紫 微 等 基 于 神 经 网 络 的 自适 应 故 障模 式 分 类 方 法 · · 故 障 的诊 断 一 网络 的优点 一 网 络 是 一 种 无 监 督 的 学 习 模 型 这 种 模 型 与 有 监 督 的学 习 模 型 例 如 目前 应 用 最 广 的 网 络 相 比具 有 以 下 方 面 的 优 点 网络 的 学 习 是 在 教 师 指 导下 的 有 监 督 学 习 ， 它 必 须 提供 由人 工 进 行 过 分 类 的 学 习 样 本 另 一 方 面 ， 网 络 学 习 状 态 与 工 作 状 态 通 常 是 分 开 的 而 网 络 是 自 组 织 的 学 习 过 程 无 需 教 师 指 导 它 能 对 任 意 输 入 矢 量 进行 “ 实 时学 习 ” ， 就是说 ， 网 络 学 习 和 工 作 是 分 不 开 的 ， 因 此 它 非 常 适 用 于 在 线 监 测 网 络 学 习 过 程 受 由顶 向下 传 送 的模 式 矢 量 指 导 ， 因 而 可 以 形 成 “ 集 中 注 意 ” 的状 态 ， 也 就 是 说 可 以 有 选 择地 学 习 ， 把 注 意 力 集 中于 某 些 特 定 内容 包 括 过 去 学 过 的 或新 奇 的 由于 权 重 系 数 的 修 正 只 涉 及 少 量 有 关 系 数 ， 因 而 较 网 络 有 很 高 的 学 习效 率 网 络在 学 习过 程 中需 要 调 整 所 有 权 重 系 数 网 络 有 可 能 陷 人 均 方 误 差 的 局 部 最 小 点 ， 从 而 造 成 错 误 的 分 类 结 果 ， 而 网 络 可 以 完 全 避 免 陷人 局 部 最 小 点 的 问题 一 故 障模式分 类模型 的拓 扑 结构及 作 用 过 程 一 神 经 网 络 是 以 竞 争 和 自稳 机 制 为 原 则 所 建 立 的 一 种 拓 扑 结 构 ， 如 图 所 示 它 由两 个 子 系 统 组 成 一 是 “ 注 意 子 系 统 ” ， 其 功 能 是 对 已 学 习 过 的 模 式 进 行 快 速 识 别 二 是 “ 调 整 子 系 统 ” ， 其 功 能 是 在 不 破 坏 原 来 记 忆 的 情 况 下 迅 速 适 应 未 学 习 的 新 模 式 图 中 。 为 预 处理 部 分 ， 为 特 征 输 入 部 分 ， 它 们 一 起 构 成 特 征 输 人 场 ， 在 特 征 输 人 场 中有 相 应 的 个 处理 单元 为类 别 表 示 场 ， 它 只 有 层 ， 其 中 有 相 应 的 个 输 出单 元 结 点 特 征 输 人 场 和 类 别 表 示 场 为 飞而 它 们 之 间 为 层 图 中 只 画 出 了 第 个 单 元 在 特 征 表 示 场 中 和 ， 部 分 均 采 用 了 层 结 构 ， 其 中包 括 正 反 馈 、 规 格 化 及 非 线 性 变 换 每 一 层 里 包 括 两 种 功 能 不 同 的 神 经 元 ， 一 种 是 空 心 圆 ， 它 表 示 这 种 神 经 元 可 能 受 到 兴 奋 和 抑 制 两 种 激 励 另一 种 是 实 心 圆 ， 其 功 能 是 求 其 输 人 矢 量 的模 ， 并 送 出抑 制 激 励 一 神 经 网 络 模 彗的 作 用 过 程 可 分 为 个 阶 段 稳 定 阶 段 搜 索 阶 段 和 调 整 阶段 稳 定 阶段 系 统 状 态 特 征 矢 量 输 人 到 。 由于 在 特 征 输 入 场 中设 计 为 。 和 ， 两 部 分 ， 因 此 在 稳 定 阶段 中可 保 证 部 分 所 有 运 算 在 由底 向上 被 传 送 到 之 前 是 稳 定 的 ， 同 时也 能 保 证 。 部 分 所 有 的 运 算 在 它 们 被 输 出到 ， 部 分 之 前 是 稳 定 的 。 和 ， 部 分 的输 人 方 程 、 规 格 化 运 算 和 非 线 性 变 换 运 算 公 式 如 下 。 。 ，‘ ，， 凡 ‘ 凡