-
-
手机阅读
1 神经网络专家系统的结构
神经网络专家系统的推理机制与现有的专家系统所用的基于逻辑的演绎方法不同，它的推理机制为一数值计算过程，主要有以下三部分组成：
①输入逻辑概念到输入模式的变换，并根据论域的特点，确定变换规则，再根据相应规则，将目前的状态变换成神经网络的输入模式；
②网络内的前向计算：根据神经元特征，其输入为xi＝∑Tijyi，Tij为连接权系数，yi为神经元的输出且有yi＝fi（xi＋θi）。其中θi为神经元的阀值，fi为单调增非线性函数，通过上述计算即可产生神经网络的输出模式；
③输出模式解释：随着论域的不同，输出模式的解释规则亦各异。解释的主要目的是将输出数值向量转换成高层逻辑概念。
在神经网络专家系统中，不使用由清晰语言描述的分类逻辑标准，只根据系统目前接收的样本的相似性而确定分类标准且主要表现在网络的权值分布上。同时可以采用神经网络算法通过学习获取知识的知识表达体系即不确定性推理机制。知识获取包括神经网络的结构（网络层数、输入、输出及隐结点个数）；组织待训练的学习样本；使用神经网络学习算法，通过对样本的学习，得到所需权值分布从而完成知识获取。知识库由自动知识获取得到，它是推理机制完成推理和问题求解的基础。知识库可以不断创新，表现为在其基础上对新样本学习后，获得更多知识与经验的新的网络参数分布。
2 神经网络专家系统的实现
2．1 预处理算法
设采样数据共有p维，取近n组数据，则有采样矩阵X＝（x1，x2，…，xp）T，为了消除其中数据的误差，每次输入的数据均取近n组的平均值作为新的输入数据， 以滤机温洗后的初始状态p0为基准，采用回溯比较法，以状态变化作为网络的输入，依此建立一个训练数据矩阵Pp／m，其中p为数据的维数，m为训练数据的维数。
2．2 神经网络的建模
本网络由三层组成，其中输入层有11个单元，输出层1个单元，中间层的单元数通过实验最后确定。系统采用LM算法进行网络学习、运行。网络训练模式样本的选取成为系统成功与否的关键。从理论上讲，系统投入运行后面临的输入模式是无穷多的，但在网络的训练过程中不可能把所有这些模式都作为样本模式来学习，所以如何选取学习样本是一个很值得研究的问题。考虑到神经网络具有按相似输入产生相似输出的联想功能，专家系统选择了一些包括各参数上、下限在内的典型数据作为网络的学习样本。
除了学习样本的选择之外，网络本身各种参数的选定也将对系统的工作性能产生影响。图2为学习次数与误差平方的关系曲线。当然，针对不同的学习样本，网络最佳参数和选择也将有所不同，但变化不会很大，只需做一些调整。2．3 滤机温洗控制神经网络专家系统
滤机最适温洗控制神经网络专家系统图如图3所示。它将神经网络的知识表述即操作专家难以用语言表述的操作规则与时间因素以及一些专家规则综合，实现并行联想推理，提高了专家系统的智能水平、实时处理能力及鲁棒性。
3 仿真实验结果
经过对64组样本模式学习后进行了仿真，图4为网络的实际输出与实际再生信号的比较。结果表明，网络的输出能够进行预测最适温洗信号的时间，并且预测值能够比实际值更早的发出再生信号，原因在于神经网络专家系统具有再现运行的功能，它能判断出系统何时达到过负载运行，并发出信号。4 结束语
因为神经网络专家系统模型是一种映射关系，过多的输入变量会造成映射函数f（x）关系的过于复杂，使得在有限隐含层数和隐层节点数下，神经网络无法较好的表征f（x）关系。由于神经元网络的外推性较差，因此需要一个全面的样本空间。对于实际工况那是十分复杂的，如果只用一个神经网络模型来处理所有工况方法，必将导致神经元网络过于复杂，实施困难，所以可以考虑几个具有相同结构的神经网络模型，建立不同工况下的专家规则对应的模型。此外，对时间的因素也应综合考虑进去，作为专家规则，与神经网络输出进行比较，排除与工程实际不符的情况出现。上述方法基本可以对滤机运行过程进行最适温洗判断。为便于实现在线的运行，做出更准确的判断，我们还拟从下述三个方面进行深入研究：训练集的修正；神经网络结构参数的改变；专家系统的输出调整。