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