前言:一篇好文章的誕生,需要你不斷地搜集資料、整理思路,本站小編為你收集了豐富的神經(jīng)網(wǎng)絡(luò)研究現(xiàn)狀主題范文,僅供參考,歡迎閱讀并收藏。
【關(guān)鍵詞】壓電方程;BP神經(jīng)網(wǎng)絡(luò);預(yù)測(cè)
0 研究背景
材料從使用性能上可以分為結(jié)構(gòu)材料和功能材料兩大類[1],其中結(jié)構(gòu)材料以其強(qiáng)度、韌性、硬度、彈性等力學(xué)特性為 應(yīng)用依據(jù),功能材料以其電、磁、光、聲、熱等物理性能為基礎(chǔ),用以制作有特殊功能的器件。壓電材料是實(shí)現(xiàn)機(jī)械能與電能相互轉(zhuǎn)換的功能材料[2],是一類對(duì)機(jī)、電、聲、光、熱敏感的電子材料,外力和電場(chǎng)之間的耦合為壓電材料提供了一種機(jī)制,用于感測(cè)力學(xué)載荷所誘發(fā)電位變化,并通過(guò)外部電場(chǎng)改變結(jié)構(gòu)應(yīng)。壓電材料的結(jié)構(gòu)可靠性已引起越來(lái)越多的關(guān)注,因?yàn)樗鼈兇蠖嗍潜粦?yīng)用在微機(jī)電系統(tǒng)中,而微機(jī)電系統(tǒng)的大量應(yīng)用也決定了研究壓電材料的重要意義。
1 壓電材料的本構(gòu)方程
2 神經(jīng)網(wǎng)絡(luò)
人工神經(jīng)網(wǎng)絡(luò)(簡(jiǎn)稱神經(jīng)網(wǎng)絡(luò))是由人工神經(jīng)元互連組成 的網(wǎng)絡(luò),是一種非線性動(dòng)力學(xué)系統(tǒng),它采用類似于“黑箱”的方法,通過(guò)學(xué)習(xí)和記憶而不是假設(shè),找出輸入、輸出變量之間的非線性關(guān)系(映射),在執(zhí)行問(wèn)題和求解的時(shí)候,將所獲取的數(shù)據(jù)輸入給訓(xùn)練好的網(wǎng)絡(luò),依據(jù)網(wǎng)絡(luò)學(xué)習(xí)的知識(shí)進(jìn)行網(wǎng)絡(luò)推理,得出合理的答案與結(jié)果。其中BP神經(jīng)網(wǎng)絡(luò)是目前發(fā)展比較成熟的一種人工神經(jīng)網(wǎng)絡(luò),約有80%的神經(jīng)網(wǎng)絡(luò)系統(tǒng)采用BP網(wǎng)絡(luò)。它是一種反饋式全連接多層神經(jīng)網(wǎng)絡(luò),具有結(jié)構(gòu)簡(jiǎn)單,工作狀態(tài)穩(wěn)定等優(yōu)點(diǎn),并且具有較強(qiáng)的聯(lián)想、記憶和推廣能力,可以以任意精度逼近任何非線性連接函數(shù)[4]。
3 壓電陶瓷平面方程驗(yàn)證
本文將針對(duì)PZT-4壓電陶瓷的本構(gòu)方程進(jìn)行研究。對(duì)于此種壓電材料,本構(gòu)方程里面的常系數(shù)c與ζ均為已知常數(shù)。此壓電材料屬于線性壓電材料的范疇,為減少數(shù)據(jù)量的運(yùn)算,方便神經(jīng)網(wǎng)絡(luò)的預(yù)測(cè),本文將著重針對(duì)該材料的二維平面方程進(jìn)行驗(yàn)證。對(duì)于平面問(wèn)題,不妨設(shè)坐標(biāo)x2方向上的應(yīng)力大小為0,則根據(jù)彈性力學(xué)中平面應(yīng)力基本模型,此時(shí)可知坐標(biāo)系x2方向上的電位移D2=0,且凡是下標(biāo)帶有x2的應(yīng)力與應(yīng)變大小均為0。故可以得出以下關(guān)系式(3)。
4 結(jié)論
平面壓電本構(gòu)方程中的線性常數(shù)已經(jīng)給出,通過(guò)輸入多組輸入數(shù)據(jù)根據(jù)本構(gòu)方程得到準(zhǔn)確的輸出數(shù)據(jù)作為神經(jīng)網(wǎng)絡(luò)的樣本訓(xùn)練數(shù)據(jù),借由神經(jīng)網(wǎng)絡(luò)極強(qiáng)的模擬映射關(guān)系,訓(xùn)練好的網(wǎng)絡(luò)可以預(yù)測(cè)出任意數(shù)據(jù)關(guān)系模型,包括此處的線性關(guān)系模型。本文通過(guò)神經(jīng)網(wǎng)絡(luò)驗(yàn)證壓電方程中數(shù)據(jù)之間的線性關(guān)系,是一種很好的驗(yàn)證方法,具有一定的使用意義。
【參考文獻(xiàn)】
[1]蓋學(xué)周.壓電材料的研究發(fā)展方向和現(xiàn)狀[J].中國(guó)陶瓷,2008,5(44):9-13.
[2]裴先茹,高海榮.壓電材料的研究和應(yīng)用現(xiàn)狀[D].鄭州:鄭州師范學(xué)院.
關(guān)鍵詞:深度學(xué)習(xí);機(jī)器學(xué)習(xí);卷積神經(jīng)網(wǎng)絡(luò)
1概述
深度學(xué)習(xí)(Deep Learning)是人工智能、圖像建模、模式識(shí)別、神經(jīng)網(wǎng)絡(luò)、最優(yōu)化理論和信號(hào)處理等領(lǐng)域的交叉學(xué)科,主要構(gòu)建和模擬人腦進(jìn)行分析學(xué)習(xí),它屬于機(jī)器學(xué)習(xí)的新興領(lǐng)域。
2大數(shù)據(jù)與深度學(xué)習(xí)
目前,光學(xué)檢測(cè)、互聯(lián)網(wǎng)、用戶數(shù)據(jù)、互聯(lián)網(wǎng)、金融公司等許多領(lǐng)域都出現(xiàn)了海量數(shù)據(jù),采用BP算法對(duì)于訓(xùn)練神經(jīng)網(wǎng)絡(luò)出現(xiàn)了梯度越來(lái)越稀疏、收斂到局部最小值只能用有標(biāo)簽的數(shù)據(jù)來(lái)訓(xùn)練等缺點(diǎn)。Hinton于2006年提出了深度學(xué)習(xí)的概念,Lecun等人提出了卷積神經(jīng)網(wǎng)絡(luò),卷積神經(jīng)網(wǎng)絡(luò)利用空間關(guān)系減少參數(shù)數(shù)目以提高訓(xùn)練性能。
CPU和GPU計(jì)算能力大幅提升,為深度學(xué)習(xí)提供了硬件平臺(tái)和技術(shù)手段,在海量大數(shù)據(jù)處理技術(shù)上解決了早期神經(jīng)網(wǎng)絡(luò)訓(xùn)練不足出現(xiàn)的過(guò)擬合、泛化能力差等問(wèn)題。
大數(shù)據(jù)和深度學(xué)習(xí)必將互相支撐,推動(dòng)科技發(fā)展。
3深度學(xué)習(xí)模型
深度學(xué)習(xí)模型實(shí)際上是一個(gè)包含多個(gè)隱藏層的神經(jīng)網(wǎng)絡(luò),目前主要有卷積神經(jīng)網(wǎng)絡(luò),深深度置信神經(jīng)網(wǎng)絡(luò),循環(huán)神經(jīng)網(wǎng)絡(luò)。
1)卷積神經(jīng)網(wǎng)絡(luò)
在機(jī)器學(xué)習(xí)領(lǐng)域,卷積神經(jīng)網(wǎng)絡(luò)屬于前饋神經(jīng)網(wǎng)絡(luò)的一種,神經(jīng)元不再是全連接的模式,而是應(yīng)用了局部感受區(qū)域的策略。然而傳統(tǒng)的神經(jīng)網(wǎng)絡(luò)使用神經(jīng)元間全連接的網(wǎng)絡(luò)結(jié)構(gòu)來(lái)處理圖像任務(wù),因此,出現(xiàn)了很多缺陷,導(dǎo)致模型⑹急劇增加,及其容易過(guò)擬合。
在卷積神經(jīng)網(wǎng)絡(luò)中,網(wǎng)絡(luò)中的神經(jīng)元只與前一層的部分神經(jīng)元連接,利用圖像數(shù)據(jù)的空間結(jié)構(gòu),鄰近像素間具有更強(qiáng)的相關(guān)性,單個(gè)神經(jīng)元僅對(duì)局部信息進(jìn)行響應(yīng),相鄰神經(jīng)元感受區(qū)域存在重疊,因此,綜合所有神經(jīng)元可以得到全局信息的感知。
另外,一個(gè)卷積層中的所有神經(jīng)元均由同一個(gè)卷積核對(duì)不同區(qū)域數(shù)據(jù)響應(yīng)而得到,即共享同一個(gè)卷積核,使得卷積層訓(xùn)練參數(shù)的數(shù)量急劇減少,提高了網(wǎng)絡(luò)的泛化能力。
一般在卷積層后面會(huì)進(jìn)行降采樣操作,對(duì)卷積層提取的特征進(jìn)行聚合統(tǒng)計(jì)。降采樣區(qū)域一般不存在重疊現(xiàn)象。降采樣簡(jiǎn)化了卷積層的輸出信息,進(jìn)一步減少了訓(xùn)練參數(shù)的數(shù)量,增強(qiáng)了網(wǎng)絡(luò)的泛化能力。
卷積神經(jīng)網(wǎng)絡(luò)實(shí)現(xiàn)了局部特征的自動(dòng)提取,使得特征提取與模式分類同步進(jìn)行,適用于處理高分辨率的圖像數(shù)據(jù)。目前,卷積神經(jīng)網(wǎng)絡(luò)在圖像分類、自然語(yǔ)言處理等領(lǐng)域得到廣泛應(yīng)用。
2)深度置信網(wǎng)絡(luò)
深度置信網(wǎng)絡(luò)是一種生成模型,網(wǎng)絡(luò)中有若干隱藏層,同一隱藏層內(nèi)的神經(jīng)元沒(méi)有連接,隱藏層間的神經(jīng)元全連接。神經(jīng)網(wǎng)絡(luò)經(jīng)過(guò)“反向運(yùn)行”得到輸入數(shù)據(jù)。
深度置信網(wǎng)絡(luò)可以用做生成模型,通過(guò)前期的逐層無(wú)監(jiān)督學(xué)習(xí),神經(jīng)網(wǎng)絡(luò)可以較好的對(duì)輸入數(shù)據(jù)進(jìn)行描述,然后把訓(xùn)練好的神經(jīng)網(wǎng)絡(luò)看作深度神經(jīng)網(wǎng)絡(luò),最后得到分類任務(wù)的深度神經(jīng)網(wǎng)絡(luò)。
深度置信網(wǎng)絡(luò)可以用于圖像識(shí)別、圖像生成等領(lǐng)域,深度置信網(wǎng)絡(luò)可以進(jìn)行無(wú)監(jiān)督或半監(jiān)督的學(xué)習(xí),利用無(wú)標(biāo)記數(shù)據(jù)進(jìn)行預(yù)訓(xùn)練,提高神經(jīng)網(wǎng)絡(luò)性能。但近幾年由于卷積神經(jīng)網(wǎng)絡(luò)的飛速發(fā)展,深度置信網(wǎng)絡(luò)已經(jīng)很少被提及。
3)循環(huán)神經(jīng)網(wǎng)絡(luò)
循環(huán)神經(jīng)網(wǎng)絡(luò)是一種專門(mén)用于處理時(shí)序數(shù)據(jù)的神經(jīng)網(wǎng)絡(luò),它與典型的前饋型神經(jīng)網(wǎng)絡(luò)最大區(qū)別在于網(wǎng)絡(luò)中存在環(huán)形結(jié)構(gòu),隱藏層內(nèi)部的神經(jīng)元是互相連接的,可以存儲(chǔ)網(wǎng)絡(luò)的內(nèi)部狀態(tài),其中包含序列輸入的歷史信息,實(shí)現(xiàn)了對(duì)時(shí)序動(dòng)態(tài)行為的描述。這里的時(shí)序并非僅僅指代時(shí)間概念上的順序,也可以理解為序列化數(shù)據(jù)間的相對(duì)位置。如語(yǔ)音中的發(fā)音順序,某個(gè)英語(yǔ)單詞的拼寫(xiě)順序等。序列化輸入的任務(wù)都可以用循環(huán)神經(jīng)網(wǎng)絡(luò)來(lái)處理。如語(yǔ)音、視頻、文本等。對(duì)于序列化數(shù)據(jù),每次處理時(shí)輸入為序列中的一個(gè)元素,比如單個(gè)字符、單詞、音節(jié),期望輸出為該輸入在序列數(shù)據(jù)中的后續(xù)元素。循環(huán)神經(jīng)網(wǎng)絡(luò)可以處理任意長(zhǎng)度的序列化數(shù)據(jù)。
循環(huán)神經(jīng)網(wǎng)絡(luò)可以用于機(jī)器翻譯、連寫(xiě)字識(shí)別、語(yǔ)音識(shí)別等。循環(huán)神經(jīng)網(wǎng)絡(luò)和卷積網(wǎng)絡(luò)結(jié)合,將卷積神經(jīng)網(wǎng)絡(luò)用于檢測(cè)并識(shí)別圖像中的物體,循環(huán)神經(jīng)網(wǎng)絡(luò)用于識(shí)別出物體的名稱為輸入,生成合理的語(yǔ)句,從而實(shí)現(xiàn)對(duì)圖像內(nèi)容的描述。
4深度學(xué)習(xí)應(yīng)用
1)語(yǔ)音識(shí)別
語(yǔ)音識(shí)別技術(shù)主要包括特征提取技術(shù)、模式匹配準(zhǔn)則及模型訓(xùn)練技術(shù)三個(gè)方面。其應(yīng)用領(lǐng)域主要有語(yǔ)音輸入系統(tǒng)、語(yǔ)音控制系統(tǒng)和智能對(duì)話查詢系統(tǒng),語(yǔ)音識(shí)別極大地推動(dòng)了人工智能的快速發(fā)展。1952年Davis等人研究了世界上第一個(gè)能識(shí)別10個(gè)英文數(shù)字發(fā)音的實(shí)驗(yàn)系統(tǒng)。大規(guī)模的語(yǔ)音識(shí)別研究是在20世紀(jì)70年代以后,在小詞匯量、孤立詞的識(shí)別方面取得了實(shí)質(zhì)性的進(jìn)展。2012年,微軟研究院使用深度神經(jīng)網(wǎng)絡(luò)應(yīng)用在語(yǔ)音識(shí)別上將識(shí)別錯(cuò)誤率降低了20%,取得了突破性的進(jìn)展。2015年11月17日,浪潮集團(tuán)聯(lián)合全球可編程芯片巨頭Altera,以及中國(guó)最大的智能語(yǔ)音技術(shù)提供商科大訊飛,共同了一套DNN語(yǔ)音識(shí)別方案。
2)圖像分析
圖像是深度學(xué)習(xí)最早嘗試的應(yīng)用領(lǐng)域。1989年,LeCun和他的同事們就發(fā)表了卷積神經(jīng)網(wǎng)絡(luò)的工作。2012年10月,Hinton和他的兩個(gè)學(xué)生用更深的CNN在ImageNet挑戰(zhàn)上獲得了第一名,使圖像識(shí)別向前躍進(jìn)了一大步。
自2012年以來(lái),深度學(xué)習(xí)應(yīng)用于圖像識(shí)別使得準(zhǔn)確率大大上升,避免了消耗人工特征抽取的時(shí)間,極大地提升了效率,目前逐漸成為主流的圖像識(shí)別與檢測(cè)方法。
關(guān)鍵詞:參考作物騰發(fā)量 Elman神經(jīng)網(wǎng)絡(luò)
1 前言
目前,中國(guó)人均水資源占有量不足世界人均水平的四分之一,耕地平均每公頃水資源占有量也僅為世界平均水平的四分之五。農(nóng)業(yè)用水占到我國(guó)總用水量的約70%,農(nóng)業(yè)用水浪費(fèi)現(xiàn)象普遍存在,21世紀(jì)中國(guó)農(nóng)業(yè)水資源供需矛盾將更加突出。因此以提高農(nóng)業(yè)用水效率為目的節(jié)水高效農(nóng)業(yè)對(duì)于緩解水資源緊缺的現(xiàn)狀、實(shí)現(xiàn)水資源可持續(xù)利用和農(nóng)業(yè)的可持續(xù)發(fā)展都有著極為重要的意義。
參考作物騰發(fā)量是估算作物蒸發(fā)蒸騰量的關(guān)鍵參數(shù),它的準(zhǔn)確性直接影響著作物需水預(yù)報(bào)的精度,進(jìn)而影響到區(qū)域水資源的優(yōu)化配置。而作物蒸發(fā)蒸騰量是農(nóng)業(yè)方面最主要的水分消耗部分,是確定作物灌溉制度和地區(qū)灌溉水量的基礎(chǔ),是制定流域規(guī)劃、地區(qū)水利規(guī)劃,灌溉工程規(guī)劃、設(shè)計(jì)、管理和農(nóng)田排灌實(shí)施的依據(jù)。因此參考作物騰發(fā)量的預(yù)測(cè)顯得尤為重要,它對(duì)正確估算作物蒸發(fā)蒸騰量,提高農(nóng)業(yè)用水效率,發(fā)展節(jié)水農(nóng)業(yè)有著十分重要的意義。
2 國(guó)內(nèi)外研究現(xiàn)狀
2.1 ET0的估算方法的研究
參考作物騰發(fā)量(ET0)的概念由彭曼于1948年首先提出。1979年FAO(聯(lián)合國(guó)糧農(nóng)組織)對(duì)其進(jìn)行了定義。1990年聯(lián)合國(guó)糧農(nóng)組織在意大利羅馬召開(kāi)的作物需水量計(jì)算方法專題研討會(huì)上,推薦使用penman-monteith公式計(jì)算參考作物蒸散量。1998年FAO推薦penman-monteith公式作為計(jì)算參考作物騰發(fā)量的唯一標(biāo)準(zhǔn)方法。
參考作物騰發(fā)量的估算方法大致可劃分為蒸滲儀測(cè)定、蒸發(fā)皿估測(cè)以及利用氣象觀測(cè)數(shù)據(jù)通過(guò)公式計(jì)算等三種途徑。利用氣象數(shù)據(jù)通過(guò)公式計(jì)算參考作物騰發(fā)量的方法又可歸納為經(jīng)驗(yàn)公式和理論方法兩類。經(jīng)驗(yàn)公式中常采用輻射、溫度、水汽壓、相對(duì)濕度、風(fēng)速及日照時(shí)數(shù)等氣象觀測(cè)數(shù)據(jù)作參數(shù),按照某種與參考作物騰發(fā)量的經(jīng)驗(yàn)函數(shù)關(guān)系進(jìn)行估算。如Blaney-Criddle(1950),Ture(1961),F(xiàn)AO-24Radiation(1977),Hargreaves(1985),理論公式法主要有penman法和penman-montieth方法等。penman-montieth方法是目前世界范圍內(nèi)廣泛采用的計(jì)算參考作物騰發(fā)量的方法。國(guó)內(nèi)在參考作物騰發(fā)量估算方面的研究多是基于國(guó)外的計(jì)算公式進(jìn)行地區(qū)性修正或應(yīng)用比較,penman-montieth方法是國(guó)內(nèi)計(jì)算參考作物騰發(fā)量普遍采用的方法。
2.2 ET0預(yù)測(cè)方法的研究
通常ET0的預(yù)測(cè)有神經(jīng)網(wǎng)絡(luò)、隨機(jī)過(guò)程、時(shí)間序列、灰色系統(tǒng),以及多元線性、非線性回歸等方法。多學(xué)科的交叉是現(xiàn)代數(shù)據(jù)分析發(fā)展的重要方向,模糊邏輯、神經(jīng)網(wǎng)絡(luò)、粗集理論、遺傳算法以及支持向量機(jī)都是目前常用的融合協(xié)作算法,探討它們之間的相互結(jié)合可以取長(zhǎng)補(bǔ)短,對(duì)改進(jìn)或提高系統(tǒng)整體性能,具有非常重要的實(shí)際意義,近幾年國(guó)內(nèi)外對(duì)此方面的研究逐漸深入。本文嘗試將動(dòng)態(tài)神經(jīng)網(wǎng)絡(luò)方法應(yīng)用在參考作物需水量預(yù)測(cè)上,并取得了理想效果。
3 Elman神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)方法
3.1 Elman神經(jīng)網(wǎng)絡(luò)簡(jiǎn)介
Elman神經(jīng)網(wǎng)絡(luò)是Elman于1990年提出的,是一種動(dòng)態(tài)神經(jīng)網(wǎng)絡(luò)。此網(wǎng)絡(luò)是在BP網(wǎng)絡(luò)基本結(jié)構(gòu)的基礎(chǔ)上,通過(guò)存儲(chǔ)內(nèi)部狀態(tài)使其具備映射動(dòng)態(tài)特性的功能,從而使系統(tǒng)具有適應(yīng)時(shí)變特性的能力。
Elman網(wǎng)絡(luò)模型除了普通的輸入層、隱含層和輸出層外,還有一個(gè)特別的承接層,其網(wǎng)絡(luò)結(jié)構(gòu)如圖1所示。其輸入層、隱含層和輸出層的連接類似于前饋網(wǎng)絡(luò),輸入層單元僅起信號(hào)傳輸作用;輸出層單元起線性加權(quán)的作用;隱含層單元的傳遞函數(shù)可以采用線性或非線性函數(shù);而承接層單元用來(lái)記憶隱含層單元前一時(shí)刻的輸出值,可認(rèn)為是一步時(shí)延算子。
具體地說(shuō),網(wǎng)絡(luò)在k時(shí)刻的輸入不僅包括目前的輸入值,而且還包括隱含層前一時(shí)刻的輸出值,這時(shí)網(wǎng)絡(luò)可視為普通的前饋網(wǎng)絡(luò),而且可以用BP算法進(jìn)行訓(xùn)練。訓(xùn)練結(jié)束后,k時(shí)刻隱含層的輸出值將通過(guò)遞歸連接部分反饋回上下文層單元,并保留到K+1時(shí)刻。其中,反饋連接的權(quán)值不能調(diào)整。根據(jù)回歸連接的結(jié)構(gòu)不同,可以將回歸網(wǎng)絡(luò)分為部分回歸和完全回歸。第一類網(wǎng)絡(luò)只是選擇那些特別有意義的反饋連接。由一個(gè)正切s形隱層和一個(gè)純線性輸出層組成的Elman網(wǎng)絡(luò),能夠逼近任何連續(xù)函數(shù)。由于它有反饋連接,因此通過(guò)學(xué)習(xí)可產(chǎn)生時(shí)間模式和空間模式。而且不必先假定系統(tǒng)的數(shù)學(xué)模型形式,不必考慮外部噪聲對(duì)系統(tǒng)影響的具體形式,若能給出系統(tǒng)的輸入、輸出數(shù)據(jù)時(shí),就可以利用Elman神經(jīng)網(wǎng)絡(luò)對(duì)系統(tǒng)進(jìn)行建模。Elman神經(jīng)網(wǎng)絡(luò)還能夠體現(xiàn)效應(yīng)量與影響因子的非線性關(guān)系。
3.2 Elman神經(jīng)網(wǎng)絡(luò)的優(yōu)點(diǎn)
近年來(lái),人工神經(jīng)網(wǎng)絡(luò)技術(shù)在水利眾多領(lǐng)域得到了廣泛的應(yīng)用。由于神經(jīng)網(wǎng)絡(luò)具有并行處理、聯(lián)想記憶、分布式知識(shí)存儲(chǔ)、魯棒性強(qiáng)等特點(diǎn),尤其是它的自組織、自適應(yīng)、自學(xué)習(xí)功能,從而在復(fù)雜非線性系統(tǒng)的分析和預(yù)測(cè)中得到了廣泛應(yīng)用。目前非線性系統(tǒng)辨識(shí)中普遍采用的是BP網(wǎng)絡(luò),但BP網(wǎng)絡(luò)是靜態(tài)網(wǎng)絡(luò),它只是實(shí)現(xiàn)一一對(duì)應(yīng)的靜態(tài)非線性映射關(guān)系,不適合動(dòng)態(tài)系統(tǒng)的實(shí)時(shí)辨識(shí)。BP網(wǎng)絡(luò)模型隨系統(tǒng)階次的增加,迅速擴(kuò)大的網(wǎng)絡(luò)結(jié)構(gòu)使網(wǎng)絡(luò)學(xué)習(xí)收斂速度減慢,并造成網(wǎng)絡(luò)輸入節(jié)點(diǎn)過(guò)多、訓(xùn)練困難及對(duì)外部噪聲敏感等弊病。
相比之下,動(dòng)態(tài)回歸神經(jīng)網(wǎng)絡(luò)(RNN)提供了一種極具潛力的選擇,它能夠更生動(dòng)、更直接地反映系統(tǒng)的動(dòng)態(tài)特性。Elman 型回歸神經(jīng)網(wǎng)絡(luò)是一種典型的動(dòng)態(tài)神經(jīng)元網(wǎng)絡(luò),它是在BP網(wǎng)絡(luò)基本結(jié)構(gòu)的基礎(chǔ)上,通過(guò)存儲(chǔ)內(nèi)部狀態(tài)使其具備映射動(dòng)態(tài)特征的功能,從而使系統(tǒng)具有適應(yīng)時(shí)變特性的能力。
3.3 Elman神經(jīng)網(wǎng)絡(luò)模型在MATLAB中的實(shí)現(xiàn)
在MATLAB神經(jīng)網(wǎng)絡(luò)工具箱中Elman網(wǎng)絡(luò)的工具箱函數(shù)是用newelm(網(wǎng)絡(luò)函數(shù))生成一個(gè)Elman遞歸網(wǎng)絡(luò)。格式為net=newelm(PR,[S1S2,...,SM],{TF1TF2…TFM},BTF,BLF,PF),Elman網(wǎng)絡(luò)由N1層組成(一般兩層即可),其權(quán)函數(shù)用dotprod函數(shù),輸入函數(shù)用netsum函數(shù),以及用一些特殊的函數(shù)作為其傳遞函數(shù)。每層權(quán)和閾值初始化用initnw進(jìn)行操作。其中PR為輸入元素的最大和最小值的矩陣(其維數(shù)為:R×2),Si為第i層的神經(jīng)元個(gè)數(shù)。TFi為第i層的傳遞函數(shù),缺省時(shí)TFi=‘tansig’;BTF為反向傳播網(wǎng)絡(luò)的訓(xùn)練函數(shù)(BTF可以是trainged,traindm,traingda,traingdx等函數(shù)), 缺省時(shí)BTF=‘traingdx’;BLF為反向傳播權(quán),也稱閾值學(xué)習(xí)函數(shù)(BLF可以是learngd或learndm),缺省時(shí)BLF=‘learngdm’;PF為性能分析函數(shù)(PF可以是mse或msereg),缺省時(shí)PF=‘mse’。具體采用什么函數(shù)應(yīng)根據(jù)算例情況及試算來(lái)確定。
3.4 Elman神經(jīng)網(wǎng)絡(luò)的應(yīng)用
本文利用600組蒸發(fā)皿估測(cè)數(shù)據(jù),建立了動(dòng)態(tài)Elman-ET0預(yù)測(cè)模型,利用12組數(shù)據(jù)檢測(cè)模型預(yù)測(cè)精度,結(jié)果顯示該模型的對(duì)ET0的預(yù)測(cè)誤差均小于20%,Elman神經(jīng)網(wǎng)絡(luò)可以應(yīng)用在參考作物騰發(fā)量預(yù)測(cè)中。
4 結(jié)語(yǔ)
通過(guò)收集和閱讀大量文獻(xiàn),比較已使用的ET0預(yù)測(cè)方法,認(rèn)為人工神經(jīng)網(wǎng)絡(luò)及一些融合協(xié)作算法的預(yù)測(cè)效果較好,但算法比較復(fù)雜。
考慮到參考作物騰發(fā)量主要受氣象因子影響,一般為非線性函數(shù),隨時(shí)間存在一定的變化趨勢(shì),本文引用了動(dòng)態(tài)Elman神經(jīng)網(wǎng)絡(luò)對(duì)參考作物騰發(fā)量進(jìn)行建模和預(yù)測(cè),結(jié)果顯示該方法是可行的。
參考文獻(xiàn)
[1]郭冬冬,周新國(guó),孫景生,盧聞航.時(shí)間序列法在參考作物騰發(fā)量分析與擬中的應(yīng)用[J].中國(guó)農(nóng)村水利水電,2004,(8):4-7.
[2]李曉軍,李取生.東北地區(qū)參考作物蒸散確定方法研究[J].地理科學(xué),2004,24(2):212-216.
[3]劉志武,倪廣恒,雷志棟,杜衛(wèi)東.計(jì)算逐日潛在騰發(fā)量的BP神經(jīng)網(wǎng)絡(luò)方法[J].灌溉排水學(xué)報(bào),2004,23(4):75-77.
[4]蔣任飛,阮本清,韓宇平,孫靜. 基于BP神經(jīng)網(wǎng)絡(luò)的參照騰發(fā)量預(yù)測(cè)模型[J] .中國(guó)水利水電科學(xué)研究院學(xué)報(bào),2005,3 (4):308-311.
[5]徐俊增等.基于天氣預(yù)報(bào)的參考作物蒸發(fā)蒸騰量的神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)模型[J] .水利學(xué)報(bào).2006,37(3):376-379.
[6]蔡甲冰等.應(yīng)用自適應(yīng)神經(jīng)模糊推理系統(tǒng)的ET0預(yù)測(cè)[J],農(nóng)業(yè)工程學(xué)報(bào),2004,20(4):13-16.
[7]蔡甲冰等.根據(jù)天氣預(yù)報(bào)估算參照騰法量的模糊神經(jīng)網(wǎng)絡(luò)方法[J].農(nóng)業(yè)工程學(xué)報(bào),2005,21(12):108-111.
[8]崔遠(yuǎn)來(lái),馬承新,沈細(xì)中,馬吉?jiǎng)? 基于進(jìn)化神經(jīng)網(wǎng)絡(luò)的參考作物騰發(fā)量預(yù)測(cè)[J] .水科學(xué)進(jìn)展,2005,16 (1):76-81.
[9]高瑞忠,朝倫巴根,于嬋,朱仲元,柴建華. 基于隨機(jī)樣本的神經(jīng)網(wǎng)絡(luò)模型估算參考作物騰發(fā)量[J].農(nóng)業(yè)工程學(xué)報(bào),2006,22(2):42-45.
[10] 顧世祥,王士武,袁宏源.參考作物騰發(fā)量預(yù)測(cè)的徑向基函數(shù)法[J].水科學(xué)進(jìn)展,1999,(2):123-128.
[11] 劉丙軍,邵東國(guó),沈新平.基于小波變換的 BP神經(jīng)網(wǎng)絡(luò)參考作物騰發(fā)量預(yù)測(cè)模型[J].武漢大學(xué)學(xué)報(bào),2007,40(1):69-73.
[12] 羅玉峰 ,崔遠(yuǎn)來(lái),蔡學(xué)良.參考作物騰發(fā)量預(yù)報(bào)的傅立葉級(jí)數(shù)模型[J].武漢大學(xué)學(xué)報(bào),2005,38(6):45-52.
[13] 段春青,邱林,黃強(qiáng),陳曉楠. 基于混沌遺傳程序設(shè)計(jì)的參考作物騰發(fā)量預(yù)測(cè)模型[J].水利學(xué)報(bào),2006,37(4):499-503.
[14] 常秀華,遲道才,李宇,馬憲偉.基于SPSS的撫順地區(qū)參考作物需水量的區(qū)域分析[J].中國(guó)農(nóng)村水利水電,2005,(5):21-26.
[15] 胡慶芳,尚松浩,溫守光,孟寶泉.基于投影尋蹤的徑向基函數(shù)網(wǎng)絡(luò)在參考騰發(fā)量預(yù)測(cè)中的應(yīng)用[J] .水利學(xué)報(bào),2006,37(9):1151-1154.
[16]彭世彰,徐俊增.參考作物蒸發(fā)蒸騰量計(jì)算方法的應(yīng)用比較[J].灌溉排水學(xué)報(bào),2004,23(6):5-9.
[17]張兵,袁壽其,成立等.基于L-M 優(yōu)化算法的BP神經(jīng)網(wǎng)絡(luò)的作物需水量預(yù)測(cè)模型[J].農(nóng)業(yè)工程學(xué)報(bào),2004,20(6):73-76.
伴隨著計(jì)算機(jī)技術(shù)的快速發(fā)展,圖像處理技術(shù)在社會(huì)中的應(yīng)用也越加廣泛,圖像分割技術(shù)優(yōu)勢(shì)越加顯著。圖像分割是圖像處理上面的關(guān)鍵性環(huán)節(jié),是圖像處理過(guò)程中的重要因素,對(duì)于圖像理論發(fā)展具有決定性因素。近年,圖像分割技術(shù)已經(jīng)取得了較大的成果,特別是在模糊理論和神經(jīng)網(wǎng)絡(luò)方面,眾多研究程度已經(jīng)開(kāi)始逐漸在圖像處理中應(yīng)用,促進(jìn)圖像處理技術(shù)發(fā)展。
【關(guān)鍵詞】數(shù)字圖像處理 圖像分割 灰色系統(tǒng) 神經(jīng)網(wǎng)絡(luò)
近幾年,圖像處理已經(jīng)在社會(huì)中廣泛應(yīng)用,圖像分割技術(shù)在圖像處理上面的重要性越加顯著。圖像分割技術(shù)是圖像處理中的基礎(chǔ)性技術(shù)之一,圖像分割技術(shù)質(zhì)量直接影響著圖像識(shí)別及分析質(zhì)量,因此圖像分割技術(shù)已經(jīng)成為識(shí)別系統(tǒng)中的關(guān)鍵性因素。
1 圖像分割發(fā)展現(xiàn)狀及應(yīng)用領(lǐng)域
1.1 發(fā)展現(xiàn)狀及存在的問(wèn)題
在圖像分割中使用統(tǒng)一方法,是現(xiàn)在很多研究人員的主要研究方向,所以圖像分割還是困擾視覺(jué)領(lǐng)域上的主要問(wèn)題,還有很多問(wèn)題沒(méi)有得到很好的處理,現(xiàn)如今圖像分割還存在以下幾個(gè)問(wèn)題:
1.1.1 與人類視覺(jué)機(jī)理相脫節(jié)
伴隨著研究人員對(duì)于視覺(jué)機(jī)理不斷深入性研究,人們對(duì)于視覺(jué)認(rèn)識(shí)也越加深入,現(xiàn)在圖像分割上面所使用的方法已經(jīng)與視覺(jué)機(jī)理研究成果之間存在一定差異,難以提高圖像分割精準(zhǔn)性。提高圖像分割精準(zhǔn)性,積極探索先進(jìn)分割方法,就必然將人類視覺(jué)特點(diǎn)考慮在內(nèi),讓圖像分割與人類視覺(jué)特點(diǎn)相結(jié)合,滿足人工神經(jīng)網(wǎng)絡(luò)理論。
1.1.2 知識(shí)的利用問(wèn)題
圖像分割在實(shí)際利用作用主要表現(xiàn)在,對(duì)于灰度及空間信息分割,這種分割方式所產(chǎn)生的效果與人類視覺(jué)分割之間的效果之間存在較大差異。在圖像分割中應(yīng)該積極與人類視覺(jué)相結(jié)合,了解更多知識(shí),這充分認(rèn)識(shí)到分割圖像上面知識(shí)重要性,同時(shí)在視覺(jué)上面,人們?cè)谘芯恐薪?jīng)常將已經(jīng)掌握?qǐng)D像分析,這樣就解決了知識(shí)所存在的不確定因素,提高圖像分割重要性。
1.2 應(yīng)用領(lǐng)域
圖像處理中的重要技術(shù)就是圖像分割技術(shù),伴隨著圖像處理在個(gè)領(lǐng)域內(nèi)的廣泛應(yīng)用,現(xiàn)在圖像分割技術(shù)所應(yīng)用的范圍也越加廣泛。到現(xiàn)在為止,圖像分割技術(shù)已經(jīng)在工業(yè)、產(chǎn)品生產(chǎn)等等領(lǐng)域內(nèi)應(yīng)用。
2 灰色系統(tǒng)理論
2.1 灰色理論的主要內(nèi)容及特點(diǎn)
灰色系統(tǒng)理論一共包含兩個(gè)部分的理論體系,分別是灰色系統(tǒng)理論與灰色系統(tǒng)分析方法,整個(gè)理論體系主要內(nèi)容就是灰色朦朧集,將灰色序列作為重要的方法。灰色理論系統(tǒng)所涉及知識(shí)范圍十分廣泛,在短時(shí)間內(nèi)已經(jīng)取得了快速發(fā)展,應(yīng)用廣泛,主要是由于灰色理論系統(tǒng)在實(shí)際應(yīng)用具有三個(gè)特點(diǎn),分別是系統(tǒng)性、聯(lián)系性及動(dòng)態(tài)性。
2.2 灰色關(guān)聯(lián)分析
灰色系統(tǒng)分析理論的重要組成內(nèi)容就是灰色關(guān)聯(lián)分析,核心思想就是將幾個(gè)曲線之間所具有的幾何形狀進(jìn)行對(duì)比分析,也就是不同幾何形狀之間越相似,關(guān)聯(lián)度也就越高,發(fā)展拜年話形式越加貼近?;疑P(guān)聯(lián)度主要是從定量角度對(duì)于系統(tǒng)之間各各因素關(guān)系變化分析,通過(guò)大小、方向、速度等等因素判斷不同因素之間的關(guān)聯(lián)性?,F(xiàn)在在灰色關(guān)聯(lián)計(jì)算中,所使用的方法較多,例如絕對(duì)關(guān)聯(lián)度、點(diǎn)關(guān)聯(lián)度等等。
3 基于灰色關(guān)聯(lián)和神經(jīng)網(wǎng)絡(luò)的圖像分割
3.1 人工神經(jīng)網(wǎng)絡(luò)
人工神經(jīng)網(wǎng)絡(luò)就是根據(jù)人腦處理方式所形成的智能信息處理理論,模擬人腦學(xué)習(xí)方式。近幾年,人工神經(jīng)網(wǎng)絡(luò)研究工作在取得了較大的成果,其中最為顯著特點(diǎn)表現(xiàn)在信息分布及儲(chǔ)存上面,與人類視覺(jué)系統(tǒng)越加吻合,具有較高的自學(xué)習(xí)性及兼容性,發(fā)展快速,已經(jīng)在信息領(lǐng)域上面應(yīng)用較大的市場(chǎng)前景。
3.2 神經(jīng)元模型與數(shù)字描述
在對(duì)于神經(jīng)網(wǎng)絡(luò)神經(jīng)元與生物神經(jīng)元對(duì)比中發(fā)現(xiàn),生物神經(jīng)元主要由三個(gè)部分構(gòu)成,分別是細(xì)胞體、樹(shù)突和軸突,這些部分別承擔(dān)著信息處理到傳輸?shù)裙ぷ鳌?/p>
在神經(jīng)元數(shù)學(xué)模型描述中,第i個(gè)神經(jīng)元能夠接受到其他神經(jīng)元所傳輸?shù)男盘?hào)x,突觸強(qiáng)度主要應(yīng)w表示,這稱之為權(quán)系數(shù)。這種神經(jīng)元數(shù)學(xué)方程式為:
方程式中的θ表示的是闕值,f表示的是激勵(lì)函數(shù)。
3.3 基于灰色-BP網(wǎng)絡(luò)的圖像分割
在圖像分割中已經(jīng)開(kāi)始廣泛應(yīng)用神經(jīng)網(wǎng)絡(luò),其中主要應(yīng)用的是神經(jīng)網(wǎng)絡(luò)中的BP網(wǎng)絡(luò),同時(shí)應(yīng)用已經(jīng)十分成熟。在圖像處理過(guò)程中具有較多的隱藏層數(shù)及節(jié)點(diǎn)缺陷,隱藏層數(shù)及節(jié)點(diǎn)個(gè)數(shù)對(duì)于網(wǎng)絡(luò)泛化能力具有一定影響,如果要是應(yīng)用BP網(wǎng)絡(luò),那么最后輸出樣本結(jié)果才是最合適的。網(wǎng)絡(luò)節(jié)點(diǎn)要是過(guò)多,主要就是將網(wǎng)絡(luò)訓(xùn)練結(jié)果考慮在內(nèi),其中包含噪聲的影響,網(wǎng)絡(luò)泛化能力在不斷降低,節(jié)點(diǎn)個(gè)數(shù)要是過(guò)少,網(wǎng)絡(luò)就不能夠有效整合數(shù)據(jù)信息,網(wǎng)絡(luò)泛化能力也會(huì)受到影響,最后對(duì)于網(wǎng)絡(luò)整體運(yùn)行造成影響。在網(wǎng)絡(luò)結(jié)構(gòu)優(yōu)化上面,很多研究人員也根據(jù)實(shí)際情況提出了一些計(jì)算方式,希望能夠簡(jiǎn)化網(wǎng)絡(luò)結(jié)構(gòu),例如敏感計(jì)算法等等,但是研究人員所提出的計(jì)算方法在實(shí)際應(yīng)用中取得的效果并不是十分顯著。筆者所提出的灰色系統(tǒng)和BP網(wǎng)絡(luò)結(jié)合,能夠有效解決BP網(wǎng)絡(luò)所存在的節(jié)點(diǎn)問(wèn)題,提高圖像分割精準(zhǔn)度,與傳統(tǒng)BP算法相比較,泛化能力更加顯著,網(wǎng)絡(luò)運(yùn)行更加穩(wěn)定,分割效果更為顯著。
在BP神經(jīng)網(wǎng)絡(luò)具有代表性結(jié)構(gòu),拓?fù)浣Y(jié)構(gòu)為三層,也就是一個(gè)輸入層,一個(gè)隱含層,一個(gè)輸出層。為了能夠提升網(wǎng)絡(luò)運(yùn)行性能,經(jīng)常使用修改學(xué)習(xí)效率及優(yōu)化方法等等方式。
設(shè)一個(gè)具有Q層的人工神經(jīng)網(wǎng)絡(luò),其中第一層為輸入層,第Q層為輸出層,那么該網(wǎng)絡(luò)的輸入輸出變換關(guān)系為:
i=1,2,…,nq 其中η為系統(tǒng)的學(xué)習(xí)效率,
w為修正權(quán)系數(shù),
該式表示第q層第i個(gè)節(jié)點(diǎn)與第j個(gè)節(jié)點(diǎn)在t次學(xué)習(xí)后的值
4 結(jié)論
圖像分割質(zhì)量對(duì)于數(shù)字圖像處理算法工作具有重要作用,因此圖像分割已經(jīng)成為理解系統(tǒng)與識(shí)別系統(tǒng)在研究中十分重要的因素。本文基于灰色系統(tǒng)理論的數(shù)字圖像處理算法簡(jiǎn)單研究,還存在一定不足,僅供參考。
參考文獻(xiàn)
[1]陳志國(guó),傅毅,孫俊.群體智能算法的遙感圖像處理研究[J].計(jì)算機(jī)應(yīng)用研究,2013(08):2538-2540.
[2]王偉,王輝,張瀟.基于免疫和灰色系統(tǒng)理論的網(wǎng)絡(luò)認(rèn)知研究[J].微電子學(xué)與計(jì)算機(jī),2013(06):117-121.
[3]李曉峰,劉光中.人工神經(jīng)網(wǎng)絡(luò)BP算法的改進(jìn)及其應(yīng)用[J].四川大學(xué)學(xué)報(bào)(二程科學(xué)版),2015(03).
[4]邵虹,徐全生,崔文成.基于BP神經(jīng)網(wǎng)絡(luò)的人臉圖像識(shí)別方法的研究[J].沈陽(yáng)工業(yè)大學(xué)學(xué)報(bào),2014,2(04):346-348.
[5]匡錦俞,丁俊民,陳十祿.圖像的小波系數(shù)神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)編碼[J].北京師范大學(xué)學(xué)報(bào),2015,35(04):464-467.
作者簡(jiǎn)介
邵黃興(1991-),男,安徽省宣城市人。同濟(jì)大學(xué)軟件學(xué)院在讀碩士。研究方向?yàn)閿?shù)字圖像處理。
摘要:分析了模擬電路故障診斷的重要性和目前存在的困難,對(duì)基于小渡分析理論和神經(jīng)網(wǎng)絡(luò)理論的模擬電路故障診斷方法進(jìn)行了綜述.指出了小波神經(jīng)網(wǎng)絡(luò)應(yīng)用于模擬電路故障診斷存在的問(wèn)題和未來(lái)的應(yīng)用前景。
模擬電路故障診斷在理論上可概括為:在已知網(wǎng)絡(luò)拓?fù)浣Y(jié)構(gòu)、輸人激勵(lì)和故障響應(yīng)或可能已知部分元件參數(shù)的情況下,求故障元件的參數(shù)和位置。
盡管目前模擬電路故障診斷理論和方法都取得了不少成就,提出了很多故障診斷方法,如故障字典法、故障參數(shù)識(shí)別法、故障驗(yàn)證法等。但是由于模擬電路測(cè)試和診斷有其自身困難,進(jìn)展比較緩慢。其主要困難有:模擬電路中的故障模型比較復(fù)雜,難以作簡(jiǎn)單的量化;模擬電路中元件參數(shù)具有容差,增加了故障診斷的難度;在模擬電路中廣泛存在著非線性問(wèn)題,為故障的定位診斷增加了難度;在一個(gè)實(shí)用的模擬電路中,幾乎無(wú)一例外地存在著反饋回路,仿真時(shí)需要大量的復(fù)雜計(jì)算;實(shí)際的模擬電路中可測(cè)電壓的節(jié)點(diǎn)數(shù)非常有限.導(dǎo)致可用于作故障診斷的信息量不夠充分,造成故障定位的不確定性和模糊性。
因此,以往對(duì)模擬電路故障診斷的研究主要停留在中小規(guī)模線性無(wú)容差或小容差的情況,有些方法也已成功地應(yīng)用于工程實(shí)際。但如何有效地解決模擬電路的容差和非線性問(wèn)題,如何解決故障診斷的模糊性和不確定性等是今后迫切需要解決的問(wèn)題。小波神經(jīng)網(wǎng)絡(luò)則因其利于模擬人類處理問(wèn)題的過(guò)程、容易顧及人的經(jīng)驗(yàn)且具有一定的學(xué)習(xí)能力等特點(diǎn),所以在這一領(lǐng)域得到了廣泛應(yīng)用。
1小波分析理論在模擬電路故障診斷中的應(yīng)用現(xiàn)狀分析
簡(jiǎn)單地講,小波就是一個(gè)有始有終的小的“波浪”小波分析源于信號(hào)分析,源于函數(shù)的伸縮和平移,是fourier分析、gabor分析和短時(shí)fourier分析發(fā)展的直接結(jié)果。小波分析的基木原理是通過(guò)小波母函數(shù)在尺度上的伸縮和時(shí)域上的平移來(lái)分析信號(hào),適當(dāng)選擇母函數(shù).可以使擴(kuò)張函數(shù)具有較好的局部性,小波分析是對(duì)信號(hào)在低頻段進(jìn)行有效的逐層分解,而小波包分析是對(duì)小波分析的一種改進(jìn),它為信號(hào)提供了一種更加精細(xì)的分析方法,對(duì)信號(hào)在全頻段進(jìn)行逐層有效的分解,更有利于提取信號(hào)的特征。因此,它是一種時(shí)頻分析方法。在時(shí)頻域具有良好的局部化性能并具有多分辨分析的特性,非常適合非平穩(wěn)信號(hào)的奇異性分析。如:利用連續(xù)小波變換可以檢測(cè)信號(hào)的奇異性,區(qū)分信號(hào)突變和噪聲,利用離散小波變換可以檢測(cè)隨機(jī)信號(hào)頻率結(jié)構(gòu)的突變。
小波變換故障診斷機(jī)理包括:利用觀測(cè)器信號(hào)的奇異性進(jìn)行故障診斷以及利用觀測(cè)器信號(hào)頻率結(jié)構(gòu)的變化進(jìn)行故障診斷。小波變換具有不需要系統(tǒng)的數(shù)學(xué)模型、故障檢測(cè)靈敏準(zhǔn)確、運(yùn)算量小、對(duì)噪聲的抑制能力強(qiáng)和對(duì)輸入信號(hào)要求低的優(yōu)點(diǎn)。但在大尺度下由于濾波器的時(shí)域?qū)挾容^大,檢測(cè)時(shí)會(huì)產(chǎn)生時(shí)間延遲,且不同小波基的選取對(duì)診斷結(jié)果也有影響。在模擬電路故障診斷中,小波變換被有效地用來(lái)提取故障特征信息即小波預(yù)處理器之后,再將這些故障特征信息送人故障分類處理器進(jìn)行故障診斷。小波分析理論的應(yīng)用一般被限制在小規(guī)模的范圍內(nèi),其主要原因是大規(guī)模的應(yīng)用對(duì)小波基的構(gòu)造和存儲(chǔ)需要的花費(fèi)較大。
2神經(jīng)網(wǎng)絡(luò)理論在模擬電路故障診斷中的應(yīng)用分析
人工神經(jīng)網(wǎng)絡(luò)(ann)是在現(xiàn)代神經(jīng)科學(xué)研究成果的基礎(chǔ)上提出來(lái)的,是一種抽象的數(shù)學(xué)模型,是對(duì)人腦功能的模擬。經(jīng)過(guò)十幾年的發(fā)展,人工神經(jīng)網(wǎng)絡(luò)已形成了數(shù)十種網(wǎng)絡(luò),包括多層感知器kohomen自組織特征映射、hopfield網(wǎng)絡(luò)、自適應(yīng)共振理論、art網(wǎng)絡(luò)、rbf網(wǎng)絡(luò)、概率神經(jīng)網(wǎng)絡(luò)等。這些網(wǎng)絡(luò)由于結(jié)構(gòu)不同,應(yīng)用范圍也各不相同。由于人工神經(jīng)網(wǎng)絡(luò)本身不僅具有非線性、自適應(yīng)性、并行性、容錯(cuò)性等優(yōu)點(diǎn)以及分辨故障原因、故障類型的能力外,而且訓(xùn)練過(guò)的神經(jīng)網(wǎng)絡(luò)能儲(chǔ)存有關(guān)過(guò)程的知識(shí),能直接從定量的、歷史故障信息中學(xué)習(xí)。所以在20世紀(jì)80年代末期,它已開(kāi)始應(yīng)用于模擬電路故障診斷。隨著人工神經(jīng)網(wǎng)絡(luò)的不斷成熟及大量應(yīng)用,將神經(jīng)網(wǎng)絡(luò)廣泛用于模擬電路的故障診斷已是發(fā)展趨勢(shì)。by神經(jīng)網(wǎng)絡(luò)由于具有良好的模式分類能力,尤其適用于模擬電路故障診斷領(lǐng)域,因而在模擬電路故障診斷系統(tǒng)中具有廣泛的應(yīng)用前景,也是目前模擬電路故障診斷中用得較多而且較為有效的一種神經(jīng)網(wǎng)絡(luò)。
3小波神經(jīng)網(wǎng)絡(luò)的應(yīng)用進(jìn)展分析
3,1小波分析理論與神經(jīng)網(wǎng)絡(luò)理論結(jié)合的必要性
在神經(jīng)網(wǎng)絡(luò)理論應(yīng)用于模擬電路故障診斷的過(guò)程中,神經(jīng)網(wǎng)路對(duì)于隱層神經(jīng)元節(jié)點(diǎn)數(shù)的確定、各種參數(shù)的初始化和神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)的構(gòu)造等缺乏更有效的理論性指導(dǎo)方法,而這些都將直接影響神經(jīng)網(wǎng)絡(luò)的實(shí)際應(yīng)用效果。小波分析在時(shí)域和頻域同時(shí)具有良好的局部化特性,而神經(jīng)網(wǎng)絡(luò)則具有自學(xué)習(xí)、并行處理、自適應(yīng)、容錯(cuò)性和推廣能力二因此把小波分析和神經(jīng)網(wǎng)絡(luò)兩者的優(yōu)點(diǎn)結(jié)合起來(lái)應(yīng)用于故障診斷是客觀實(shí)際的需要。
目前小波分析與神經(jīng)網(wǎng)絡(luò)的結(jié)合有兩種形式,一種是先利用小波變換對(duì)信號(hào)進(jìn)行預(yù)處理,提取信號(hào)的特征向量作為神經(jīng)網(wǎng)絡(luò)的輸人,另一種則是采用小波函數(shù)和尺度函數(shù)形成神經(jīng)元,達(dá)到小波分析和神經(jīng)網(wǎng)絡(luò)的直接融合第一種結(jié)合方式是小波神經(jīng)網(wǎng)絡(luò)的松散型結(jié)合,第二種結(jié)合方式是小波神經(jīng)網(wǎng)絡(luò)的緊致型結(jié)合。
3.2小波分析理論與神經(jīng)網(wǎng)絡(luò)理論的結(jié)合形式
小波與神經(jīng)網(wǎng)絡(luò)的松散型結(jié)合,即:用小波分析或小波包分析作為神經(jīng)網(wǎng)絡(luò)的前置處理手段,為神經(jīng)網(wǎng)絡(luò)提供輸人特征向魚(yú)具體來(lái)說(shuō)就是利用小波分析或小波包分析,把信號(hào)分解到相互獨(dú)立的頻帶之內(nèi),各頻帶內(nèi)的能童值形成一個(gè)向覺(jué),該向童對(duì)不同的故障對(duì)應(yīng)不同的值,從而可作為神經(jīng)網(wǎng)絡(luò)的輸入特征向量一旦確定神經(jīng)網(wǎng)絡(luò)的輸入特征向童,再根據(jù)經(jīng)驗(yàn)確定采用哪種神經(jīng)網(wǎng)絡(luò)及隱層數(shù)和隱層單元數(shù)等,就可以利用試驗(yàn)樣本對(duì)神經(jīng)網(wǎng)絡(luò)進(jìn)行訓(xùn)練,調(diào)整權(quán)值,從而建立起所需的小波神經(jīng)網(wǎng)絡(luò)模型。
小波與神經(jīng)網(wǎng)絡(luò)的緊致型結(jié)合,即:用小波函數(shù)和尺度函數(shù)形成神經(jīng)元,達(dá)到小波分析和神經(jīng)網(wǎng)絡(luò)的直接融合,稱為狹義上的小波神經(jīng)網(wǎng)絡(luò),這也是常說(shuō)的小波神經(jīng)網(wǎng)絡(luò)。它是以小波函數(shù)或尺度函數(shù)作為激勵(lì)函數(shù),其作用機(jī)理和采用sigmoid函數(shù)的多層感知器基本相同。故障診斷的實(shí)質(zhì)是要實(shí)現(xiàn)癥狀空間到故障空間的映射,這種映射也可以用函數(shù)逼近來(lái)表示。小波神經(jīng)網(wǎng)絡(luò)的形成也可以從函數(shù)逼近的角度加以說(shuō)明。常見(jiàn)的小波神經(jīng)網(wǎng)絡(luò)有:利用尺度函數(shù)作為神經(jīng)網(wǎng)絡(luò)中神經(jīng)元激勵(lì)函數(shù)的正交基小波網(wǎng)絡(luò)、自適應(yīng)小波神經(jīng)網(wǎng)絡(luò)、多分辨率小波網(wǎng)絡(luò)、區(qū)間小波網(wǎng)絡(luò)等。
3.3小波分析理論與神經(jīng)網(wǎng)絡(luò)理論結(jié)合的優(yōu)點(diǎn)
小波神經(jīng)網(wǎng)絡(luò)具有以下優(yōu)點(diǎn):一是可以避免m ly等神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)設(shè)計(jì)的育目性;二是具有逼近能力強(qiáng)、網(wǎng)絡(luò)學(xué)習(xí)收斂速度快、參數(shù)的選取有理論指導(dǎo)、有效避免局部最小值問(wèn)題等優(yōu)點(diǎn)。
在模擬電路故障診斷領(lǐng)域,小波神經(jīng)網(wǎng)絡(luò)還是一個(gè)嶄新的、很有前途的應(yīng)用研究方向。隨著小波分析理論和神經(jīng)網(wǎng)絡(luò)理論的不斷發(fā)展,小波神經(jīng)網(wǎng)絡(luò)應(yīng)用于模擬電路故障診斷領(lǐng)域?qū)⑷找娉墒臁?/p>
【關(guān)鍵詞】備件需求預(yù)測(cè);神經(jīng)網(wǎng)絡(luò);精確保障
0 引言
為了保證艦船在海上航行階段的安全性和可靠性,通常會(huì)為艦船上比較重要的和經(jīng)常出現(xiàn)故障的設(shè)備配備一定數(shù)量的備件。長(zhǎng)期以來(lái),如何確定備件的數(shù)量一直是艦船裝備精確保障領(lǐng)域的一個(gè)難題,配置數(shù)量太少,無(wú)法保證艦船設(shè)備的可靠性;配置數(shù)量太多,又會(huì)占用大量空間,而且會(huì)造成資源的浪費(fèi)。
人工神經(jīng)網(wǎng)絡(luò)(ANN)是目前國(guó)際上前沿研究領(lǐng)域的一門(mén)新興交叉科學(xué)[1]。主要方法有BP網(wǎng)絡(luò)、支持向量機(jī)(SVM)、Hopfield網(wǎng)絡(luò)和專家系統(tǒng)。BP網(wǎng)絡(luò)容易陷入局部最小點(diǎn);SVM和Hopfield是無(wú)導(dǎo)師學(xué)習(xí)算法,不容易找到自己想要的結(jié)果;專家系統(tǒng)在得不到相應(yīng)的專家經(jīng)驗(yàn)就無(wú)法進(jìn)行診斷。
徑向基(RBF)網(wǎng)絡(luò)是一種有導(dǎo)師的學(xué)習(xí)算法,在給定充分的訓(xùn)練樣本后可以實(shí)現(xiàn)任意形式的非線性映射,而且還能夠克服局部最小點(diǎn)的困擾[2]。RBF可以避免像BP學(xué)習(xí)算法那樣冗長(zhǎng)的迭代計(jì)算和陷入局部極值的可能,使學(xué)習(xí)速度比通常的BP算法快幾十倍甚至上百倍[3]。
1 徑向基函數(shù)神經(jīng)網(wǎng)絡(luò)
徑向基函數(shù)網(wǎng)絡(luò)包含一個(gè)徑向基神經(jīng)元的隱層和一個(gè)具有線性神經(jīng)元的輸出層。輸入信號(hào)傳遞到隱層。隱層有S1個(gè)神經(jīng)元,節(jié)點(diǎn)函數(shù)為高斯函數(shù);輸出層有S2個(gè)神經(jīng)元,節(jié)點(diǎn)函數(shù)通常是簡(jiǎn)單的線性函數(shù),其結(jié)構(gòu)如圖1所示。
圖1 RBF神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)
其中,R為輸入向量元素的數(shù)目;S1為第一層神經(jīng)元的數(shù)目;S2為第二層神經(jīng)元的數(shù)目;a1j為向量a1的第j個(gè)元素;i|W1,1為權(quán)值矩陣|W1,1的第i個(gè)向量。||dist||模塊計(jì)算輸入向量P和輸入權(quán)值|W1,1的行向量之間的距離,產(chǎn)生S1維向量,然后與閾值b1相乘,再經(jīng)過(guò)徑向基傳遞函數(shù)從而得到第一層輸出[4]。
2 艦船備件數(shù)量影響因素
現(xiàn)以艦船機(jī)電設(shè)備的某部件為預(yù)測(cè)對(duì)象,以一年為一個(gè)時(shí)間段,分析影響機(jī)電設(shè)備的備件需求因素。我們選取了以下4個(gè)主要影響因素進(jìn)行具體分析:
計(jì)劃重大任務(wù)次數(shù)A。對(duì)于艦船來(lái)說(shuō),重大任務(wù)就是出海,艦船的機(jī)電設(shè)備幾乎時(shí)刻保持運(yùn)行狀態(tài)。特別是長(zhǎng)時(shí)間的遠(yuǎn)洋航行,設(shè)備長(zhǎng)時(shí)間的持續(xù)工作會(huì)加大對(duì)設(shè)備的損耗,其中,難免會(huì)有設(shè)備部件功能故障,毫無(wú)疑問(wèn)將導(dǎo)致部件的備件需求量增加。
檢修中被拆卸的總次數(shù)B。為了維護(hù)設(shè)備的正常運(yùn)轉(zhuǎn),確保艦船在任務(wù)過(guò)程中的安全可靠,會(huì)對(duì)艦船設(shè)備部件進(jìn)行定期和不定期的檢修、保養(yǎng)。一般來(lái)說(shuō),在保養(yǎng)的過(guò)程中,部件被拆卸的次數(shù)越多,部件的磨損就會(huì)越嚴(yán)重。因此,拆卸次數(shù)越多,故障的幾率也越大,備件的需求量也就越大。
累計(jì)工作時(shí)間C。艦船設(shè)備累計(jì)工作時(shí)間以小時(shí)為單位,在設(shè)備工作的過(guò)程中,設(shè)備處于高速、震動(dòng)、高溫等復(fù)雜環(huán)境中,對(duì)部件的壽命會(huì)產(chǎn)生很大影響。累計(jì)工作時(shí)間越長(zhǎng),部件的損壞程度也就越大,備件需求量也就越大。
平均故障間隔時(shí)間D。平均故障間隔時(shí)間是設(shè)備可靠性的一種參數(shù),可以通過(guò)歷史工作過(guò)程中統(tǒng)計(jì)獲得,對(duì)于備件的需求量有直接的影響。MTBF值大的,備件需求量少,MTBF值小的,備件的需求量較大。
3 艦船備件需求預(yù)測(cè)實(shí)例
3.1 構(gòu)造訓(xùn)練樣本
下面列出4個(gè)影響因素的相關(guān)數(shù)據(jù)以及艦船某備件消耗的歷史數(shù)據(jù),如表1所示。
為了使徑向基神經(jīng)網(wǎng)絡(luò)的預(yù)測(cè)效果更好,就要有大量的樣本對(duì)網(wǎng)絡(luò)進(jìn)行訓(xùn)練。我們將表1中1~7組數(shù)據(jù)加入標(biāo)準(zhǔn)差為k的隨機(jī)白噪聲誤差,循環(huán)100次,產(chǎn)生700組訓(xùn)練樣本。最后用第8組數(shù)據(jù)檢驗(yàn)網(wǎng)絡(luò)的預(yù)測(cè)效果;用前7組數(shù)據(jù)用來(lái)檢驗(yàn)網(wǎng)絡(luò)的擬合效果。
3.2 建立徑向基神經(jīng)網(wǎng)絡(luò)
影響備件需求量的因素有4個(gè),所以確定徑向基神經(jīng)網(wǎng)絡(luò)的輸入節(jié)點(diǎn)數(shù)為4;采用輸入層、隱層和輸出層三層結(jié)構(gòu);采用Gaussian函數(shù)表1 備件消耗歷史數(shù)據(jù)
作為徑向基函數(shù)。
從Gaussian核函數(shù)可見(jiàn),其中x是函數(shù)的輸入變量;c是徑向基函數(shù)的中心;Φ(x-c)就是徑向基函數(shù)。
3.3 備件需求預(yù)測(cè)
取k的值為4,產(chǎn)生訓(xùn)練樣本,對(duì)神經(jīng)網(wǎng)絡(luò)進(jìn)行訓(xùn)練;用第8組數(shù)據(jù)檢驗(yàn)徑向基神經(jīng)網(wǎng)絡(luò)的預(yù)測(cè)效果。假設(shè)某艦船該年計(jì)劃有6次重大任務(wù),某部件被拆卸的總次數(shù)為35次,設(shè)備累計(jì)工作時(shí)間1680小時(shí),歷史MTBF為470小時(shí)。將數(shù)據(jù)輸入網(wǎng)絡(luò),預(yù)測(cè)結(jié)果為65.2182,實(shí)際的消耗量為64個(gè),相對(duì)誤差為1.9%,認(rèn)為預(yù)測(cè)準(zhǔn)確。
用1~7組數(shù)據(jù)檢驗(yàn)網(wǎng)絡(luò)的擬合效果,結(jié)果如圖2所示。
表2 RBF神經(jīng)網(wǎng)絡(luò)擬合結(jié)果
為了表現(xiàn)RBF神經(jīng)網(wǎng)絡(luò)的預(yù)測(cè)效果良好,我們同BP神經(jīng)網(wǎng)絡(luò)的擬合值進(jìn)行對(duì)比,如表2所示。
圖2 RBF與BP擬合效果對(duì)比圖
4 結(jié)束語(yǔ)
通過(guò)分析影響艦船備件數(shù)量的4大因素,建立了影響因素與備件數(shù)量的神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)模型。結(jié)合歷史數(shù)據(jù)對(duì)徑向基神經(jīng)網(wǎng)絡(luò)的預(yù)測(cè)效果和擬合效果進(jìn)行檢驗(yàn),將結(jié)果與BP神經(jīng)網(wǎng)絡(luò)的預(yù)測(cè)結(jié)果進(jìn)行對(duì)比。結(jié)果表明,徑向基神經(jīng)網(wǎng)絡(luò)的預(yù)測(cè)結(jié)果符合實(shí)際情況,擬合效果優(yōu)于BP神經(jīng)網(wǎng)絡(luò)。
【參考文獻(xiàn)】
[1]楊珊,王少紅,王吉芳.基于BP神經(jīng)網(wǎng)絡(luò)的煙氣輪機(jī)故障診斷[J].微計(jì)算機(jī)信息,2010(22).
[2]韓力群.人工神經(jīng)網(wǎng)絡(luò)教程[M].北京郵電大學(xué)出版社,2007,7:127.
由于人體與疾病的復(fù)雜性,不可預(yù)測(cè)性,非常適合人工神經(jīng)網(wǎng)絡(luò)的應(yīng)用。目前的研究幾乎涉及從基礎(chǔ)醫(yī)學(xué)到臨床醫(yī)學(xué)的所有方面,主要應(yīng)用于生物信號(hào)的檢測(cè)與自動(dòng)分析,醫(yī)學(xué)專家系統(tǒng)等。
在麻醉與危重醫(yī)學(xué)相關(guān)領(lǐng)域的研究涉及到多生理變量的分析與預(yù)測(cè),從臨床數(shù)據(jù)中發(fā)現(xiàn)一些尚未發(fā)現(xiàn)或尚無(wú)確切證據(jù)的關(guān)系與現(xiàn)象,信號(hào)處理,干擾信號(hào)的自動(dòng)區(qū)分檢測(cè),各種臨床狀況的預(yù)測(cè),單獨(dú)或結(jié)合其他人工智能技術(shù)進(jìn)行麻醉閉環(huán)控制等。
在圍術(shù)期和重癥監(jiān)護(hù)與治療階段,需要獲取大量的信息,將可能在信號(hào)處理、基于動(dòng)態(tài)數(shù)據(jù)驅(qū)動(dòng)的輔助決策專家系統(tǒng)、數(shù)據(jù)挖掘、各種臨床狀況的預(yù)測(cè)、智能化床旁監(jiān)護(hù)、遠(yuǎn)程醫(yī)療與教學(xué)、醫(yī)療機(jī)器人等各方面廣泛運(yùn)用到人工神經(jīng)網(wǎng)絡(luò)技術(shù)和其他人工智能技術(shù)。
一、概述
人工神經(jīng)網(wǎng)絡(luò)(artificial neural network, ann)是人工智能(artificial intelligence, ai)學(xué)科的重要分支。經(jīng)過(guò)50多年的發(fā)展,已成為一門(mén)應(yīng)用廣泛,涉及神經(jīng)生理學(xué)、認(rèn)識(shí)科學(xué)、數(shù)理科學(xué)、心理學(xué)、信息科學(xué)、計(jì)算機(jī)科學(xué)、微電子學(xué)等多學(xué)科交叉、綜合的前沿學(xué)科。WWw.133229.CoM
現(xiàn)代計(jì)算機(jī)的計(jì)算構(gòu)成單元的速度為納秒級(jí),人腦中單個(gè)神經(jīng)細(xì)胞的反應(yīng)時(shí)間為毫秒級(jí),計(jì)算機(jī)的運(yùn)算能力為人腦的幾百萬(wàn)倍??墒?,迄今為止,計(jì)算機(jī)在解決一些人可以輕而易舉完成的簡(jiǎn)單任務(wù)時(shí),例如視覺(jué)、聽(tīng)覺(jué)、嗅覺(jué),或如人臉識(shí)別、騎自行車、打球等涉及聯(lián)想或經(jīng)驗(yàn)的問(wèn)題時(shí)卻十分遲鈍。也不具備人腦的記憶與聯(lián)想能力,學(xué)習(xí)與認(rèn)知能力,信息的邏輯和非邏輯加工能力,信息綜合判斷能力,快速的高度復(fù)雜信息處理速度等。
造成這種問(wèn)題的根本原因在于,計(jì)算機(jī)與人腦采取的信息處理機(jī)制完全不同。迄今為止的各代計(jì)算機(jī)都是基于馮*紐曼工作原理:其信息存儲(chǔ)與處理是分開(kāi)的;處理的信息必須是形式化信息,即用二進(jìn)制編碼定義;而信息處理的方式必須是串行的。這就決定了它只擅長(zhǎng)于數(shù)值和邏輯運(yùn)算。而構(gòu)成腦組織的基本單元是神經(jīng)元,每個(gè)神經(jīng)元有數(shù)以千計(jì)的通道同其他神經(jīng)元廣泛相互連接,形成復(fù)雜的生物神經(jīng)網(wǎng)絡(luò)。生物神經(jīng)網(wǎng)絡(luò)以神經(jīng)元為基本信息處理單元, 對(duì)信息進(jìn)行分布式存儲(chǔ)與加工, 這種信息加工與存儲(chǔ)相結(jié)合的群體協(xié)同工作方式使得人腦呈現(xiàn)出目前計(jì)算機(jī)無(wú)法模擬的神奇智能。
人工神經(jīng)網(wǎng)絡(luò)就是在對(duì)人腦神經(jīng)網(wǎng)絡(luò)的基本研究的基礎(chǔ)上,采用數(shù)理方法和信息處理的角度對(duì)人腦神經(jīng)網(wǎng)絡(luò)進(jìn)行抽象,并建立的某種簡(jiǎn)化模型。一個(gè)人工神經(jīng)網(wǎng)絡(luò)是由大量神經(jīng)元節(jié)點(diǎn)互連而成的復(fù)雜網(wǎng)絡(luò),用以模擬人類進(jìn)行知識(shí)的表示與存儲(chǔ)以及利用知識(shí)進(jìn)行推理的行為。一個(gè)基于人工神經(jīng)網(wǎng)絡(luò)的智能系統(tǒng)是通過(guò)學(xué)習(xí)獲取知識(shí)后建立的,它通過(guò)對(duì)大量實(shí)例的反復(fù)學(xué)習(xí),由內(nèi)部自適應(yīng)機(jī)制使神經(jīng)網(wǎng)絡(luò)的互連結(jié)構(gòu)及各連接權(quán)值穩(wěn)定分布,這就表示了經(jīng)過(guò)學(xué)習(xí)獲得的知識(shí)。
人工神經(jīng)網(wǎng)絡(luò)是一種非線性的處理單元。只有當(dāng)神經(jīng)元對(duì)所有的輸入信號(hào)的綜合處理結(jié)果超過(guò)某一門(mén)限值后才輸出一個(gè)信號(hào)。因此神經(jīng)網(wǎng)絡(luò)是一種具有高度非線性的超大規(guī)模連續(xù)時(shí)間動(dòng)力學(xué)系統(tǒng)。它突破了傳統(tǒng)的以線性處理為基礎(chǔ)的數(shù)字電子計(jì)算機(jī)的局限,標(biāo)志著人們智能信息處理能力和模擬人腦智能行為能力的一大飛躍。
近20年來(lái),神經(jīng)網(wǎng)絡(luò)的軟件模擬得到了廣泛研究和應(yīng)用,發(fā)展速度驚人。1987年在圣地亞哥召開(kāi)了首屆國(guó)際神經(jīng)網(wǎng)絡(luò)大會(huì),國(guó)際神經(jīng)網(wǎng)絡(luò)聯(lián)合會(huì)(inns)宣告成立。這標(biāo)志著世界范圍內(nèi)掀起神經(jīng)網(wǎng)絡(luò)開(kāi)發(fā)研究熱潮的開(kāi)始。
二、醫(yī)學(xué)領(lǐng)域應(yīng)用現(xiàn)狀與前景
由于人體與疾病的復(fù)雜性,不可預(yù)測(cè)性,在生物信號(hào)與信息的表現(xiàn)形式、變化規(guī)律(自身變化與醫(yī)學(xué)干預(yù)后變化),對(duì)其檢測(cè)與信號(hào)表達(dá),獲取的數(shù)據(jù)及信息的分析、決策等諸多方面均存在大量復(fù)雜的非線性關(guān)系,非常適合人工神經(jīng)網(wǎng)絡(luò)的應(yīng)用。目前的研究幾乎涉及從基礎(chǔ)醫(yī)學(xué)到臨床醫(yī)學(xué)的所有方面,主要應(yīng)用于生物信號(hào)的檢測(cè)與自動(dòng)分析,醫(yī)學(xué)專家系統(tǒng)等。
1、信號(hào)處理:
在生物醫(yī)學(xué)信號(hào)的檢測(cè)和分析處理中主要集中對(duì)心電、腦電、肌電、胃腸電等信號(hào)的識(shí)別,腦電信號(hào)的分析,聽(tīng)覺(jué)誘發(fā)電位信號(hào)的提取,醫(yī)學(xué)圖像的識(shí)別和數(shù)據(jù)壓縮處理等。
2、醫(yī)學(xué)專家系統(tǒng)
醫(yī)學(xué)專家系統(tǒng)就是運(yùn)用專家系統(tǒng)的設(shè)計(jì)原理與方法, 模擬醫(yī)學(xué)專家診斷、治療疾病的思維過(guò)程編制的計(jì)算機(jī)程序, 它可以幫助醫(yī)生解決復(fù)雜的醫(yī)學(xué)問(wèn)題, 作為醫(yī)生診斷、治療的輔助工具。 “傳統(tǒng)”的專家系統(tǒng),通過(guò)把專家的經(jīng)驗(yàn)和知識(shí)以規(guī)則的形式存入計(jì)算機(jī)中,建立知識(shí)庫(kù),用邏輯推理的方式進(jìn)行醫(yī)療診斷。但一些疑難病癥的復(fù)雜形式使其很難用一些規(guī)則來(lái)描述,甚至難以用簡(jiǎn)單的語(yǔ)言來(lái)表達(dá);專家們常常難以精確分析自己的智能診斷過(guò)程。另一方面,基于規(guī)則的專家系統(tǒng),隨著數(shù)據(jù)庫(kù)規(guī)模的增大,可能導(dǎo)致組合爆炸,推理效率很低。由于人工神經(jīng)網(wǎng)絡(luò)能夠解決知識(shí)獲取途徑中出現(xiàn)的“瓶頸”現(xiàn)象、知識(shí)“組合爆炸”問(wèn)題以及提高知識(shí)的推理能力和自組織、自學(xué)習(xí)能力等等, 從而加速了神經(jīng)網(wǎng)絡(luò)在醫(yī)學(xué)專家系統(tǒng)中的應(yīng)用和發(fā)展。
sordo比較了采用不同網(wǎng)絡(luò)結(jié)構(gòu)和學(xué)習(xí)算法的神經(jīng)網(wǎng)絡(luò)在診斷胎兒唐氏綜合征(down’s syndrome) 上的成績(jī)。正確分類率為84 %, 超過(guò)了現(xiàn)今所用的統(tǒng)計(jì)方法的60 %~70 % 的分類率。
臺(tái)灣deu科技(德亞科技)開(kāi)發(fā)的計(jì)算機(jī)輔助檢測(cè)系統(tǒng)rapid screentm rs-2000為全世界最先通過(guò)美國(guó)fda認(rèn)證的早期肺癌輔助診測(cè)系統(tǒng)。該產(chǎn)品采用人工智能神經(jīng)網(wǎng)絡(luò)ann,自動(dòng)標(biāo)識(shí)數(shù)字胸片中可疑結(jié)節(jié)區(qū)。經(jīng)臺(tái)灣和美國(guó)的臨床實(shí)驗(yàn),可使放射專家檢測(cè)t1期肺癌的能力明顯提高(潛在提升約15 %以上)。
degroff等使用電子聽(tīng)診器和人工神經(jīng)網(wǎng)絡(luò)制造了一種儀器,它可正確地區(qū)分兒童生理性和病理性雜音。用電子聽(tīng)診器記錄的兒童心音,輸入能識(shí)別復(fù)雜參數(shù)的ann,分析的敏感性和特異性均達(dá)100%。
3、其他:
生物信息學(xué)中的研究中可應(yīng)用于基因組序列分析、蛋白質(zhì)的結(jié)構(gòu)預(yù)測(cè)和分類、網(wǎng)絡(luò)智能查詢等方面。
藥學(xué)領(lǐng)域廣泛應(yīng)用于定量藥物設(shè)計(jì)、藥物分析、藥動(dòng)/藥效學(xué)等方面。例如:用于預(yù)測(cè)藥物效應(yīng)。veng-pederson用神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)阿芬太尼對(duì)兔心率的影響,對(duì)用藥后180-300分鐘的藥物效應(yīng)取得了較好的預(yù)測(cè)結(jié)果(平均相對(duì)預(yù)測(cè)準(zhǔn)確度達(dá)78%)。分析群體藥動(dòng)學(xué)數(shù)據(jù),以獲知群體藥動(dòng)學(xué)特征和不同人口統(tǒng)計(jì)因子對(duì)藥物行為的影響,對(duì)臨床用藥具有指導(dǎo)意義。
4、麻醉與危重醫(yī)學(xué)相關(guān)領(lǐng)域的研究
手術(shù)室和icu內(nèi)是病人信息富集的地方,而且大量的信息處在動(dòng)態(tài)變化中,隨著醫(yī)學(xué)技術(shù)的飛速進(jìn)步,所能獲取的信息越來(lái)越多,醫(yī)護(hù)人員面臨著“信息轟炸”。神經(jīng)網(wǎng)絡(luò)技術(shù)可以很好地幫助我們應(yīng)對(duì)這些問(wèn)題。例如:
1)可以用于分析多個(gè)生理變量之間的關(guān)系,幫助研究其內(nèi)在的關(guān)系,或預(yù)測(cè)一些變量之間的關(guān)系:perchiazzi在肺損傷和正常的豬容量控制機(jī)械通氣中,用ann估計(jì)肺順應(yīng)性的變化,不需要中斷呼吸,與標(biāo)準(zhǔn)方法相比誤差很小。
2)結(jié)合數(shù)據(jù)挖掘技術(shù),可能從海量數(shù)據(jù)庫(kù)例如電子病歷系統(tǒng)中,發(fā)現(xiàn)一些尚未發(fā)現(xiàn)或尚無(wú)確切證據(jù)的關(guān)系與現(xiàn)象:buchman 研究了神經(jīng)網(wǎng)絡(luò)和多元線形回歸兩種方法,用病人的基本資料、藥物治療差異和生理指標(biāo)的變化預(yù)測(cè)在icu延遲(>7天)。
3)信號(hào)處理:ortolani等利用eeg的13個(gè)參數(shù)輸入ann,自行設(shè)計(jì)的麻醉深度指數(shù)ned0-100作為輸出,比較ned與bis之間有很好的相關(guān)性;
4)干擾信號(hào)的自動(dòng)區(qū)分檢測(cè):jeleazcov c等利用bp神經(jīng)網(wǎng)絡(luò)區(qū)分麻醉中和后檢測(cè)到的eeg信號(hào)中的假信號(hào),是傳統(tǒng)eeg噪音檢測(cè)方法的1.39-1.89倍。
5)各種臨床狀況的預(yù)測(cè):laffey用ann預(yù)測(cè)肌肉松弛藥的殘留,發(fā)現(xiàn)明顯優(yōu)于醫(yī)生的評(píng)估,還有用于預(yù)測(cè)propfol劑量個(gè)體差異的,預(yù)測(cè)術(shù)后惡心、嘔吐,預(yù)測(cè)全麻后pacu停留時(shí)間,預(yù)測(cè)icu死亡率等較多的研究。
關(guān)鍵詞:顱內(nèi)壓;遺傳算法;人工神經(jīng)網(wǎng)絡(luò);腦血流動(dòng)力學(xué)參數(shù)
中圖分類號(hào):TP183文獻(xiàn)標(biāo)識(shí)碼:A
文章編號(hào):1004-373X(2010)04-170-02
Intracranial Pressure Monitoring Based on Genetic Algorithm and Artificial Neural Network
LU Lirong,ZHOU Jinyang,NIU Xiaodong
(Changzhi Medical College,Changzhi,046000,China)
Abstract:A novel intracranial pressure monitoring based on genetic algorithm and artificial neural networks after analyzing the advantages and disadvantages of the intracranial pressure detection method at present.Building a model by using back propagation neural network and optimizing by using genetic algorithm can restrain the disadvantages that the speed of the back propagation algorithm is slowly and the back propagation algorithm is easy to fall into local extremum.The needed intracranial pressure can be gained by measuring 4~6 cerebral hemodynamic parameters and inputting to this intracranial pressure prediction model.
Keywords:intracranial pressure;genetic algorithm;artificial neural network;cerebral hemodynamic parameter
0 引 言
顱內(nèi)壓(Intracranial Hypertension,ICH)增重時(shí)將導(dǎo)致腦疝,并可能危及生命[1]。顱內(nèi)壓的檢測(cè)是顱腦疾病處理的重要前提,它可以幫助醫(yī)生判斷患者顱腦損傷程度并采取降壓措施[2]。目前臨床采用的成熟的監(jiān)測(cè)顱內(nèi)壓技術(shù)均為有創(chuàng)方法,例如,腰椎穿刺,腦室內(nèi)檢測(cè)等。雖可較準(zhǔn)確地反映顱內(nèi)壓水平,但存在以下弊端:操作繁雜、并發(fā)癥較多;不適宜長(zhǎng)期監(jiān)測(cè);僅可獲得顱內(nèi)壓值,不能從顱內(nèi)壓動(dòng)力學(xué)內(nèi)在機(jī)制的角度,分析ICH為何種關(guān)鍵因素所致[3]。近年來(lái),國(guó)內(nèi)外已開(kāi)展了多項(xiàng)無(wú)創(chuàng)性顱內(nèi)壓監(jiān)測(cè)技術(shù)的基礎(chǔ)與應(yīng)用研究。以建立數(shù)學(xué)模型的方法,無(wú)創(chuàng)監(jiān)測(cè)顱內(nèi)壓為其中一項(xiàng)活躍的研究。
人工神經(jīng)網(wǎng)絡(luò)[4](Artificial Neural Networks,ANNs)是對(duì)人腦神經(jīng)網(wǎng)絡(luò)在結(jié)構(gòu)、功能及某些基本特性理論的抽象、簡(jiǎn)化和模擬,而構(gòu)成的一種信息處理系統(tǒng),適合解決各類擬合、預(yù)測(cè)等復(fù)雜問(wèn)題。誤差反向傳播(Back Propagation,BP)神經(jīng)網(wǎng)絡(luò)是目前應(yīng)用最廣泛也是發(fā)展最成熟的一種神經(jīng)網(wǎng)絡(luò)模型。盡管在實(shí)際工作中網(wǎng)絡(luò)得到了大量應(yīng)用,但它也存在一些嚴(yán)重的問(wèn)題:由于訓(xùn)練采用簡(jiǎn)單的梯度下降法進(jìn)行優(yōu)化訓(xùn)練,算法效率低下,且易陷入局部極值,造成訓(xùn)練失敗[5,6]。
遺傳算法[7](Genetic Algorithm,GA)是模擬生物在自然環(huán)境中的遺傳和進(jìn)化過(guò)程而形成的一種全局搜索算法。具有更好的魯棒性。
在此針對(duì)BP神經(jīng)網(wǎng)絡(luò)的缺點(diǎn),將GA與BP算法相結(jié)合,建立各相關(guān)參數(shù)與顱內(nèi)壓關(guān)系的數(shù)學(xué)模型,實(shí)現(xiàn)最優(yōu)化的顱內(nèi)壓監(jiān)控預(yù)測(cè)模型。
1 神經(jīng)網(wǎng)絡(luò)建模
大量的研究表明,顱內(nèi)壓值與平均動(dòng)脈壓、大腦中動(dòng)脈血流速度、阻力指數(shù)等腦血流動(dòng)力學(xué)參數(shù)有較好的定量關(guān)系[3]。即:設(shè)顱內(nèi)壓值為y,腦血流動(dòng)力學(xué)參數(shù)平均動(dòng)脈壓、大腦中動(dòng)脈血流速度、阻力指數(shù)等的值分別為x1,x2,x3…,則有:
y=f(x1,x2,x3)(1)
人工神經(jīng)網(wǎng)絡(luò)理論已經(jīng)證明,三層BP神經(jīng)網(wǎng)絡(luò)可以逼近任何函數(shù)[8,9]。因此可以利用BP神經(jīng)網(wǎng)絡(luò)來(lái)建立顱內(nèi)壓模型從而可以最優(yōu)化地逼近式(1)這個(gè)函數(shù)。
圖1為利用BP反向傳播神經(jīng)網(wǎng)絡(luò)建立顱內(nèi)壓模型[10]。平均動(dòng)脈壓、大腦中動(dòng)脈血流速度、脈動(dòng)指數(shù)、阻力指數(shù)等腦血流動(dòng)力學(xué)參數(shù)作為輸入層,隱含層的神經(jīng)元個(gè)數(shù)由實(shí)驗(yàn)反復(fù)確定,直到網(wǎng)絡(luò)輸出的顱內(nèi)壓值與實(shí)驗(yàn)所得的顱內(nèi)壓值之間的誤差在所允許的范圍,此顱內(nèi)壓模型確定。
圖1 BP神經(jīng)網(wǎng)絡(luò)建立顱內(nèi)壓模型
2 遺傳算法優(yōu)化
BP神經(jīng)網(wǎng)絡(luò)算法雖然具有簡(jiǎn)單和可塑性強(qiáng)的優(yōu)點(diǎn),但是收斂速度慢,且常受局部極小點(diǎn)的困擾,不利于網(wǎng)絡(luò)的優(yōu)化。而GA可以克服此缺點(diǎn)。因此用GA來(lái)對(duì)此模型進(jìn)行優(yōu)化。流程圖如圖2所示。
圖2 GA優(yōu)化流程圖
具體步驟為:
(1) 初始化:隨機(jī)產(chǎn)生N組在不同實(shí)數(shù)區(qū)間內(nèi)取值的初始網(wǎng)絡(luò)權(quán)值。
(2) 預(yù)訓(xùn)練:用 BP算法對(duì)N組初始權(quán)值分別進(jìn)行預(yù)訓(xùn)練。
(3) 判斷是否滿足精度要求:若經(jīng)過(guò)預(yù)訓(xùn)練后N組權(quán)值中至少已有一組滿足精度要求,則算法結(jié)束;否則轉(zhuǎn)入步驟(4)。
(4) 生成新權(quán)值:分別依據(jù)經(jīng)過(guò)預(yù)訓(xùn)練的上述N組權(quán)值所對(duì)應(yīng)的上下限確定取值區(qū)間,在區(qū)間內(nèi)隨機(jī)生成r×N組新的權(quán)值,連同經(jīng)過(guò)預(yù)訓(xùn)練的N組權(quán)值一起,構(gòu)成完整的基因群體,生成共(r+1)×N組權(quán)值。
(5) 遺傳操作:對(duì)這(r+1)×N組權(quán)值進(jìn)行選擇、交叉、變異等遺傳操作。
(6) 判斷算法是否結(jié)束:如果經(jīng)過(guò)步驟(5)的操作已經(jīng)至少得到一組滿足精度要求的權(quán)值,則算法結(jié)束;否則從經(jīng)過(guò)遺傳操作的這(r+1)×N組中選出N組較好的,恢復(fù)到步驟(2)。
3 結(jié) 語(yǔ)
在此利用遺傳算法和人工神經(jīng)網(wǎng)絡(luò)建立顱內(nèi)壓的預(yù)測(cè)模型。通過(guò)測(cè)量4~6個(gè)腦血流動(dòng)力學(xué)參數(shù),輸入進(jìn)此模型,即可得到所需顱內(nèi)壓值。通過(guò)建立此模型,為相關(guān)臨床醫(yī)學(xué)專業(yè)醫(yī)師無(wú)創(chuàng)、實(shí)時(shí)、準(zhǔn)確監(jiān)測(cè)顱內(nèi)壓提供了一種新方法。
參 考 文 獻(xiàn)
[1]郭玉璞.腦血管病的病理學(xué)[M].北京:科學(xué)出版社,1993.
[2]劉常春,曹佃國(guó),姜安寶,等.一種新的無(wú)創(chuàng)檢測(cè)顱內(nèi)壓的數(shù)學(xué)模型[J].山東大學(xué)學(xué)報(bào):工學(xué)版,2004,34(6):62-65.
[3]曾高,焦風(fēng),李運(yùn)海,等.用數(shù)學(xué)模型實(shí)現(xiàn)無(wú)創(chuàng)顱內(nèi)壓監(jiān)測(cè)的現(xiàn)狀與應(yīng)用前景[J].中國(guó)腦血管病雜志,2007(9):418-420.
[4]高雋.人工神經(jīng)網(wǎng)絡(luò)原理及仿真實(shí)例[M].北京:機(jī)械工業(yè)出版社,2005.
[5]姜諳男,趙德孝,孫豁然,等.進(jìn)化神經(jīng)網(wǎng)絡(luò)在礦山入選品位優(yōu)化中的應(yīng)用[J].礦業(yè)研究與開(kāi)發(fā),2004,24(4):44-46.
[6]何翔,李守巨,劉迎曦,等.基于遺傳神經(jīng)網(wǎng)絡(luò)的壩基巖體滲透系數(shù)識(shí)別[J].巖體力學(xué)與工程學(xué)報(bào),2004,23(5):751-757.
[7]周明,孫樹(shù)棟.遺傳算法原理及應(yīng)用[M].北京:國(guó)防工業(yè)出版社,1999.
[8]Homik K,Stinchcombe M,White H.Mulilayer Feedforward Networks are Universal Approximators[J].Neural Networks,1989,2(5):359-366.
關(guān)鍵詞 BP神經(jīng)網(wǎng)絡(luò) 故障診斷 神經(jīng)網(wǎng)絡(luò)專家系統(tǒng) 規(guī)則式專家系統(tǒng)
中圖分類號(hào):TP311 文獻(xiàn)標(biāo)識(shí)碼:A
0引言
在醫(yī)學(xué)上,血液透析是一種用來(lái)實(shí)現(xiàn)人體內(nèi)廢物產(chǎn)品如血肌酐和尿素與自由水在腎臟中的體外去除當(dāng)腎功能處于衰竭狀態(tài)時(shí)候的方法。血液透析是腎臟替代療法的三種方法之一(其他兩個(gè)是腎移植和腹膜透析)。針對(duì)血液透析過(guò)程,采用數(shù)據(jù)挖掘技術(shù)對(duì)大量數(shù)據(jù)進(jìn)行分析,以透析前后各過(guò)程水資源分配為目標(biāo),研究水資源分配與再利用模型,建立水資源分配管理的知識(shí)庫(kù),從而能根據(jù)任務(wù),純度等要求自動(dòng)分配水源管路。設(shè)計(jì)相關(guān)軟硬件平臺(tái),為節(jié)約透析用水總量,降低水資源消耗提供保障,該研究有較高的理論價(jià)值和廣闊的應(yīng)用前景。
患者的血液通過(guò)血液透析機(jī)泵和透析液進(jìn)行透析。醫(yī)療行為取決于醫(yī)生的推理能力醫(yī)療決策依賴于潛在的不確定信息。此外,血流速度是保證處理效果和高通量血液透析可靠性的關(guān)鍵元件。因此,血液引流醫(yī)院使用動(dòng)靜脈穿刺,血液的流動(dòng)率(BFR)約為200毫升/分鐘,但它對(duì)病人有一定傷害。
本文提出了一種改進(jìn)的方法即使用血液引流透析壺,避免穿刺,使血流率(BFR)可以達(dá)到400毫升/分鐘。有了這個(gè)動(dòng)機(jī),(研究擬解決的關(guān)鍵問(wèn)題)本文提出了一種用于血液透析系統(tǒng)的基于模型的控制方法,設(shè)計(jì)為在血液透析的終末期腎功能衰竭患者維持血流動(dòng)力學(xué)穩(wěn)定。解決了傳統(tǒng)的專家系統(tǒng)知識(shí)獲取瓶頸等諸多問(wèn)題,比如自學(xué)能力的效率低,推理單調(diào),所以它有一定的局限性。而人工神經(jīng)網(wǎng)絡(luò)技術(shù)是一個(gè)數(shù)學(xué)模型,應(yīng)用結(jié)構(gòu)像下丘腦神經(jīng)元的突觸連接,具有學(xué)習(xí)能力強(qiáng),能夠從樣本中學(xué)習(xí),獲取知識(shí),它是以權(quán)值和閾值的形式存儲(chǔ)在神經(jīng)網(wǎng)絡(luò)中。這很容易實(shí)現(xiàn)并行處理,具有聯(lián)想記憶的特點(diǎn),有較好的魯棒性。當(dāng)結(jié)合神經(jīng)網(wǎng)絡(luò)專家系統(tǒng),他們可以協(xié)同工作,優(yōu)勢(shì)互補(bǔ),它們的功能將更加強(qiáng)大。
因此,建立一個(gè)神經(jīng)網(wǎng)絡(luò)專家系統(tǒng)用來(lái)模擬訓(xùn)練透析壺中的透析液位置與透析情況,血泵的速度和總的安全狀態(tài)估計(jì),這可以為護(hù)士提供輔助決策參考。
圖1:血液透析器的系統(tǒng)結(jié)構(gòu)圖
1便攜式血透機(jī)結(jié)構(gòu)設(shè)計(jì)
根據(jù)電路的特點(diǎn),對(duì)血液透析器的系統(tǒng)架構(gòu)分為一二回路系統(tǒng):體外血液透析回路和血液輸送系統(tǒng)。圖1是血液透析器系統(tǒng)結(jié)構(gòu)圖。
我們將血液透析會(huì)話分為三個(gè)階段。第一階段是預(yù)沖透析器和導(dǎo)管,它們同時(shí)通過(guò)空氣泡沫放電。第二階段是狀態(tài)圖血液從動(dòng)脈到透析壺循環(huán)血液透析,并保持液位穩(wěn)定。第三階段是體外循環(huán)后的回血狀態(tài)。
圖1是血液透析器系統(tǒng)結(jié)構(gòu)圖。A泵將血液從病人的動(dòng)脈通過(guò)輸液管A引流至透析壺。泵C使血液通過(guò)導(dǎo)管引流至透析器。當(dāng)泵A抽血到體外電路,局部真空可能存在,將空氣吸入管如果連接沒(méi)有絕對(duì)的緊密。因此,除氣室的功能是排出空氣。經(jīng)過(guò)過(guò)濾后,血液通過(guò)輸液管B回到透析壺和患者靜脈。A泵的旋轉(zhuǎn)方向和B泵是相反的。超聲波傳感器為透析壺設(shè)置上限和下限液位。出于安全考慮,空氣泡沫探測(cè)器是用來(lái)探測(cè)空氣導(dǎo)管和防止氣泡注入病人體內(nèi)。導(dǎo)管中的壓力控制用于避免管道破裂,病人凝血和血腫現(xiàn)象的出現(xiàn)。
在這個(gè)系統(tǒng)中,當(dāng)血液透析的狀態(tài)是安全的,A泵的轉(zhuǎn)速為一個(gè)固定值為了保持恒定的量的血液從病人的動(dòng)脈流經(jīng)血液透析機(jī)。B泵的轉(zhuǎn)速應(yīng)按在透析壺的血容量和系統(tǒng)狀態(tài)決定。此外,氣泡和導(dǎo)管的壓力也應(yīng)分別控制A泵和B泵的速度。血液排水的主要困難是血泵的轉(zhuǎn)速調(diào)節(jié),以確保適當(dāng)?shù)倪\(yùn)行狀態(tài)。
以下變量與泵的速度相關(guān):泵的旋轉(zhuǎn)速度(NA):血液透析器系統(tǒng)無(wú)故障時(shí)那是一個(gè)不隨時(shí)間變化而變化的參數(shù)。旋轉(zhuǎn)泵B速度(NB):隨血液透析的狀態(tài)變化而變化。泵A和泵B被分別設(shè)置在透析過(guò)程的開(kāi)始和結(jié)束。透析壺的液位(h):h的變化趨勢(shì)反應(yīng)了系統(tǒng)的運(yùn)行狀態(tài)透析壺液位狀態(tài)(hs):hs的值隨液位的上升和下降而變化,控制泵A和B的速度。導(dǎo)管中的氣泡(U):如果導(dǎo)管中有空氣氣泡,這會(huì)造成對(duì)病人危險(xiǎn)的空氣栓塞。一旦氣泡被檢測(cè)到,AB兩泵應(yīng)停下來(lái),剩下的血液應(yīng)該在排除氣泡后返回到患者體內(nèi)。導(dǎo)管的壓力(P1,P2,P3):導(dǎo)管中的壓力值能夠反映血液透析過(guò)程的狀態(tài)。壓力的采集數(shù)據(jù)應(yīng)實(shí)時(shí)獲取以便調(diào)整AB泵的速度。
2實(shí)驗(yàn)理論基礎(chǔ)
2.1專家系統(tǒng)綜述
隨著科學(xué)技術(shù)的發(fā)展,一系列高新技術(shù)與復(fù)雜系統(tǒng)出現(xiàn)。專家系統(tǒng)是人工智能中最活躍、最廣泛的應(yīng)用領(lǐng)域之一。第一個(gè)專家系統(tǒng)在1965年的美國(guó)被制造。目前,專家系統(tǒng)已被應(yīng)用于許多領(lǐng)域,如農(nóng)業(yè)生產(chǎn),醫(yī)療診斷,智能決策,實(shí)時(shí)監(jiān)測(cè),地質(zhì)勘探,教學(xué)和軍事等,促進(jìn)了國(guó)民經(jīng)濟(jì)的發(fā)展帶來(lái)了巨大的經(jīng)濟(jì)效益。
2.2神經(jīng)網(wǎng)絡(luò)概述
1943年,一個(gè)數(shù)學(xué)模型(MP模型)在神經(jīng)科學(xué)的理論研究時(shí)代正式提出了神經(jīng)元,從而開(kāi)創(chuàng)了神經(jīng)科學(xué)理論的研究時(shí)代。從那時(shí)起,大量的突破性的研究促進(jìn)了神經(jīng)網(wǎng)絡(luò)模型及其學(xué)習(xí)算法,特別是在1982年,一個(gè)神經(jīng)網(wǎng)絡(luò)模型的創(chuàng)建,介紹了計(jì)算能量函數(shù)的概念,給出基于神經(jīng)網(wǎng)絡(luò)的穩(wěn)定性判據(jù),有力地推動(dòng)了神經(jīng)網(wǎng)絡(luò)的研究與開(kāi)發(fā)。一個(gè)三層神經(jīng)網(wǎng)絡(luò)可以逼近任意非線性函數(shù)這個(gè)結(jié)論是在1989年被提出的 。在人工神經(jīng)網(wǎng)絡(luò)在實(shí)際應(yīng)用中,80%到90%的人工神經(jīng)網(wǎng)絡(luò)模型,采用BP網(wǎng)絡(luò)或由其變異的網(wǎng)絡(luò)模型。
2.3神經(jīng)網(wǎng)絡(luò)專家系統(tǒng)的基本原理
神經(jīng)網(wǎng)絡(luò)使用了大量的神經(jīng)連接,每個(gè)連接的權(quán)重表示特定的概念或知識(shí)的分布。在獲取知識(shí)的過(guò)程中,它需要有專家提出的例子和相關(guān)的解決方案,然后可以通過(guò)某個(gè)具體的學(xué)習(xí)算法從樣本中學(xué)習(xí)到。自適應(yīng)算法可以不斷修改網(wǎng)絡(luò)的連接權(quán)值。[7]神經(jīng)網(wǎng)絡(luò)可以輸入異常樣本,如果輸入的模式是接近某個(gè)學(xué)習(xí)樣本,輸出也會(huì)接近該學(xué)習(xí)樣本的模式,從而使神經(jīng)網(wǎng)絡(luò)專家系統(tǒng)具有聯(lián)想記憶的能力。適當(dāng)?shù)挠蓪<姨峁┑慕鉀Q方案通過(guò)輸入和輸出系統(tǒng)存儲(chǔ)在知識(shí)庫(kù)。
3神經(jīng)網(wǎng)絡(luò)專家系統(tǒng)的結(jié)構(gòu)
一個(gè)神經(jīng)網(wǎng)絡(luò)專家系統(tǒng)的結(jié)構(gòu),表示在圖2。該系統(tǒng)主要由知識(shí)庫(kù),數(shù)據(jù)文件,并行推理機(jī),信息獲取模塊,解釋系統(tǒng)和人機(jī)界面等構(gòu)成。
圖2:人工神經(jīng)網(wǎng)絡(luò)專家系統(tǒng)的結(jié)構(gòu)
3.1知識(shí)獲取
3.1.1bp神經(jīng)網(wǎng)絡(luò)
根據(jù)結(jié)構(gòu),神經(jīng)網(wǎng)絡(luò)可以分為兩類,一個(gè)是前饋網(wǎng)絡(luò),另一個(gè)是反饋網(wǎng)絡(luò)。從目前的研究來(lái)看,前饋網(wǎng)絡(luò)是一種更完善的網(wǎng)絡(luò)。而B(niǎo)P網(wǎng)絡(luò)是最常見(jiàn)的一種。
標(biāo)準(zhǔn)BP神經(jīng)網(wǎng)絡(luò)由三個(gè)神經(jīng)層構(gòu)成,即,輸入層,中間隱含層和輸出層。各層的神經(jīng)元相互連接形成整個(gè)互連,但同一層的神經(jīng)元不連接。對(duì)于多層網(wǎng)絡(luò)的訓(xùn)練,首先是提供一組訓(xùn)練樣本,其中包括輸入樣本與理想輸出樣本。當(dāng)所有的網(wǎng)絡(luò)的實(shí)際輸出與理想輸出一致,培訓(xùn)結(jié)束。否則,它需要修改權(quán)值,根據(jù)理想的輸出使實(shí)際輸出。在本文的三層BP網(wǎng)絡(luò)和圖3顯示了網(wǎng)絡(luò)的三層結(jié)構(gòu)。
圖3:網(wǎng)絡(luò)的三層結(jié)構(gòu)
3.1.2專家系統(tǒng)規(guī)則
泵的轉(zhuǎn)速調(diào)整應(yīng)根據(jù)目前的透析壺中血容量的觀測(cè),以及系統(tǒng)的運(yùn)行狀態(tài)決定。監(jiān)測(cè)血容量的目標(biāo)是為了保持透析壺中的液位在很窄的范圍內(nèi)變化。這樣的血液量跟蹤系統(tǒng)是減少在透析過(guò)程中與過(guò)程后低血糖發(fā)作的頻率。
血容量調(diào)整的估計(jì)是通過(guò)以下隱藏變量表示:A泵的旋轉(zhuǎn)速度(nA):A泵控制著血液流進(jìn)透析器的流動(dòng)量。nA是一個(gè)時(shí)不變參數(shù)。B泵的旋轉(zhuǎn)速度(nB):B泵控制著血液流出透析器的流動(dòng)量。泵A和泵B分別被設(shè)置在透析器的開(kāi)始端和結(jié)束端。透析壺液位(h):透析壺液位在預(yù)定的安全范圍內(nèi),它根據(jù)透析過(guò)程中不同的人在不同的階段中的不同操作而變化。
透析壺的液位狀態(tài)(hS):透析壺的液位狀態(tài)指示液位的變化過(guò)程。
血液引流的主要困難是對(duì)血液流經(jīng)透析器時(shí)的理想血容量的估計(jì)。
該系統(tǒng)采用專家系統(tǒng)的推理機(jī)制的基礎(chǔ)知識(shí)和神經(jīng)網(wǎng)絡(luò)的推理機(jī)制來(lái)處理血液透析過(guò)程中可能出現(xiàn)的不同狀況,整個(gè)系統(tǒng)處于并行工作的方式。在我們的例子中,BP神經(jīng)網(wǎng)絡(luò)的液位有五種狀態(tài):非常低,低,正常,高,非常高。相應(yīng)的似然性(nA和nB)也模糊:低,正常,高。透析壺的液位狀態(tài)有四種狀態(tài):正常,小,大和多(具體參數(shù)是根據(jù)控制對(duì)象的不同而調(diào)整)。模糊變量的使用,有效防止了門(mén)限效應(yīng)與閾值影響。一些在專家系統(tǒng)的顯式知識(shí)庫(kù)的規(guī)則如下:
如果透析壺液位低(h低)和透析壺液位狀態(tài)?。╤s小);
然后B泵的旋轉(zhuǎn)速度低(nB低)和透析壺液位狀態(tài)?。╤s?。┖虯泵的旋轉(zhuǎn)速度正常(正常);
如果透析壺液位高(h高)和(透析壺液位狀態(tài)?。ㄐ。┗蛲肝鰤匾何粻顟B(tài)大(hs大)或透析壺液位狀態(tài)正常(hs正常));
然后B泵的旋轉(zhuǎn)速度正常(nB正常)和透析壺液位狀態(tài)多(hs多);
如果透析壺液位很高(h很高)或(透析壺液位狀態(tài)多(hs多)和透析壺液位高(h高)和透析壺液位狀態(tài)不大(hs不大));
然后B泵的旋轉(zhuǎn)速度高(nB高)和透析壺液位多(nB多);
如果透析壺液位正常(h正常)和(透析壺液位狀態(tài)多(hs多)或透析壺液位高(h高));
然后B泵的旋轉(zhuǎn)速度低(nB低)和透析壺液位狀態(tài)大(hs大);
除了這些,空氣泡沫和輸液管壓力與血液透析的穩(wěn)定性和安全性密切相關(guān)。如果變量是不正常的,它可能會(huì)發(fā)生緊急事件如管,栓塞的斷裂,凝血等等,因此A泵與B泵的轉(zhuǎn)速應(yīng)該根據(jù)相應(yīng)情況的變化而改變。因此需要對(duì)BP網(wǎng)絡(luò)的知識(shí),大容量的學(xué)習(xí),自適應(yīng),并行推理,聯(lián)想記憶,與專家系統(tǒng)的結(jié)合,優(yōu)勢(shì)互補(bǔ),構(gòu)建神經(jīng)網(wǎng)絡(luò)專家系統(tǒng),實(shí)現(xiàn)血液透析的快速調(diào)整。
3.2神經(jīng)網(wǎng)絡(luò)的訓(xùn)練
基于網(wǎng)絡(luò)的結(jié)構(gòu)和學(xué)習(xí)樣本,訓(xùn)練方法可以被描述為四個(gè)步驟:
(1)給出的閾值\j、aj,鏈接的權(quán)重Vhi、Wij在[-1, 1]之間隨機(jī)變化。
(2)為每個(gè)模型(AK,YK)(A為輸入層的節(jié)點(diǎn),Y是隱層節(jié)點(diǎn),K=1,2,……)。
①發(fā)送到輸入層,通過(guò)連接權(quán)重矩陣向隱層發(fā)送激活值,然后隱層的激活值產(chǎn)生。
②bi=f(vhiZh+ai) (1)
③計(jì)算誤差LC:dj=(yjk-cj)cj(1-cj) j=1,2 (2)
(3)為每一個(gè)dj計(jì)算錯(cuò)誤LB:ei=bj(1-bj)(djwj) (3)
(4)調(diào)整連接權(quán)值和閾值:=wij=Zbidj (4)
(7)
其中Z(0
4系統(tǒng)仿真與實(shí)現(xiàn)
這表明泵A與泵B振動(dòng)速度的變更與液位高度h變化的比較。當(dāng)液位低,B泵將減速?gòu)亩档脱毫鞒鐾肝銎鞯牧髁?,從而在透析壺的血液量將增加。泵B一直保持低速度而不是停止以避免血液滯留在透析壺中或者發(fā)生凝管狀況。實(shí)驗(yàn)對(duì)所提出的方法進(jìn)行了驗(yàn)證。規(guī)則是被集成在專家系統(tǒng)中。神經(jīng)網(wǎng)絡(luò)是由醫(yī)務(wù)人員使用的訓(xùn)練樣本作為準(zhǔn)備。然后神經(jīng)網(wǎng)絡(luò)和以規(guī)則為基礎(chǔ)的專家系統(tǒng)進(jìn)行融合。根據(jù)透析壺內(nèi)的液位數(shù)據(jù),空氣泡沫探測(cè)器的輸出和導(dǎo)管所收集的壓力,泵A和泵B的速度變化。速度的變化會(huì)反過(guò)來(lái)作用于液位的變化。如果液位低并且沒(méi)有下降,泵A開(kāi)始運(yùn)行。當(dāng)液位是正常的,上升的,B泵開(kāi)始以正常速度運(yùn)行。當(dāng)A泵順時(shí)針旋轉(zhuǎn)時(shí)B泵逆時(shí)針旋轉(zhuǎn)。當(dāng)液位低,B泵的旋轉(zhuǎn)速度低于A泵。在這種方式中液位上升。如果液位高,泵B的旋轉(zhuǎn)速度超過(guò)泵A. 因此,液位將下降到達(dá)下限值。一旦液位低于下限,B泵旋轉(zhuǎn)速度將放緩。如果導(dǎo)管中有空氣泡沫,泵A和泵B應(yīng)立即停止轉(zhuǎn)動(dòng)并且管路中的血液應(yīng)該被盡快返回到患者體內(nèi)直到導(dǎo)管中的空氣泡沫被排除。如果壓力異常,可能會(huì)發(fā)生血腫和空氣泄漏,兩泵應(yīng)減速。
在上述分析的基礎(chǔ)上,實(shí)驗(yàn)有效的驗(yàn)證了所設(shè)計(jì)的神經(jīng)網(wǎng)絡(luò)專家系統(tǒng)控制血液透析系統(tǒng),圖4顯示了在透析單元進(jìn)行建模的結(jié)果。
圖4:在實(shí)際透析會(huì)話層進(jìn)行的模擬結(jié)果
5結(jié)論
本文闡述了神經(jīng)網(wǎng)絡(luò)專家系統(tǒng)在控制血液透析過(guò)程中所起到的穩(wěn)定性和安全性應(yīng)用。這個(gè)系統(tǒng)的目的是幫助維持血液透析過(guò)程中的穩(wěn)定性與幫助血液透析患者緩解疼痛。
在這項(xiàng)研究中促進(jìn)了仿真系統(tǒng)的開(kāi)發(fā),極大程度的實(shí)現(xiàn)了血液透析系統(tǒng)的安全性與穩(wěn)定性并且降低針頭的尺寸大小。經(jīng)驗(yàn)的結(jié)果表明,該神經(jīng)網(wǎng)絡(luò)專家系統(tǒng)具有學(xué)習(xí)樣本的能力,對(duì)網(wǎng)絡(luò)的輸出與預(yù)期的結(jié)果相一致,并且當(dāng)神經(jīng)網(wǎng)絡(luò)完成學(xué)習(xí)過(guò)程的時(shí)候,它可以對(duì)外界刺激存儲(chǔ)在記憶中的信息實(shí)現(xiàn)轉(zhuǎn)換或關(guān)聯(lián),從而對(duì)系統(tǒng)的輸入產(chǎn)生回應(yīng)。
參考文獻(xiàn)
[1] Rose C, Smaili C, Charpillet F.動(dòng)態(tài)貝葉斯網(wǎng)絡(luò)在適用于監(jiān)測(cè)患者血液透析治療的處理決策支持系統(tǒng)中的不確定因素[ C ] 人工智能工具治療病人的監(jiān)測(cè)處理不確定性,2005。ICTAI 05.第十七屆IEEE國(guó)際會(huì)議。IEEE,2005:5-598.
[2] Fueda Y,Hattori T,Minato K,等。一種基于復(fù)雜醫(yī)學(xué)工程的血流量變化與評(píng)估[C]//,2012 ICME國(guó)際會(huì)議獎(jiǎng),IEEE, 2012: 581-583.
級(jí)別:部級(jí)期刊
榮譽(yù):中國(guó)期刊全文數(shù)據(jù)庫(kù)(CJFD)
級(jí)別:北大期刊
榮譽(yù):中國(guó)優(yōu)秀期刊遴選數(shù)據(jù)庫(kù)
級(jí)別:統(tǒng)計(jì)源期刊
榮譽(yù):中國(guó)優(yōu)秀期刊遴選數(shù)據(jù)庫(kù)
級(jí)別:北大期刊
榮譽(yù):Caj-cd規(guī)范獲獎(jiǎng)期刊
級(jí)別:北大期刊
榮譽(yù):百種重點(diǎn)期刊