第7章（补）人工神经网络在智能传感器中的应用7.1神经网络基本知识神经元的输出可描述为图7-2常见的作用函数形式(a)阈值型；(b)S型；(c)伪线性型一、阈值型神经元阈值型神经元是一种最简单的神经元，由美国心理学家Mc.Culloch和数学家Pitls共同提出，因此，通常称为M-P模型。M-P模型神经元是二值型神经元，其输出状态取值为1或0，分别代表神经元的兴奋状态和抑制状态。其数学表达式为二、S型神经元模型这是常用的一种连续型神经元模型，输出值是在某一范围内连续取值的。输入—输出特性多采用指数函数表示，用数学公式表示如下：三、分段线性型神经元的输入—输出特性满足一定的区间线性关系，其输出可表示为7.1.2神经网络结构二、相互连接型结构7.1.3学习与记忆误差修正算法是神经网络学习中另一个更重要的方法。像感知机、BP网络学习均属此类。最基本的误差修正学习方法，即通常说的δ学习规则，可由如下四步来描述：(1)任选一组初始权值Wji(0)。(2)计算某一输入模式对应的实际输出与期望输出的误差。(3)更新权值Wji(t+1)=Wji(t)+η［dj-yj(t)］xi(t)式中：η——学习因子；dj、yj——第j个神经元的期望输出与实际输出；xj——第j个神经元的输入。(4)返回步骤(2)，直到对所有训练模式、网络输出均满足误差要求为止。二、神经网络的记忆神经网络记忆包含两层含义：信息的存储与回忆。网络通过学习将所获取的知识信息分布式存储在连接权的变化上，并具有相对稳定性。一般来讲，存储记忆需花较长时间，因此这种记忆称为长期记忆，而学习期间的记忆保持时间很短，称为短期记忆。7.1.4神经网络的信息处理功能神经网络可以完成大量的信息处理任务，正因为这样，其应用涉及相当广泛的领域。归纳起来，神经网络的信息处理任务主要包括：一、数字上的映射逼近通过一组映射样本(x1,y1),(x2,y2),…,(xn,yn)，网络以自组织方式寻找输入、输出之间的映射关系：yi=f(xi)。二、联想记忆联想记忆是指实现模式完善、恢复相关模式的相互回忆等，典型的有如Hopfield网络等。7.2前向网络感知机的学习算法为7.2.2BP网络一般选用下列S形作用函数：二、学习算法如果任意设置网络初始权值，那么对每个输入模式p,网络输出与期望输出一般总有误差。定义网络误差为而当Opj表示输出层单元的输出时，其误差当Opj表示隐单元输出时，其误差故在实际应用中，考虑到学习过程的收敛性，通常为了使学习因子η取值足够大，又不致于产生振荡，在权值修正公式(7-29)中再加一个势态项，得(4)后向传播过程：①计算同一层单元的误差δpj。②修正权值和阈值三、竞争网络2.竞争学习机理竞争单元的处理分为两步：首先计算每个单元输入的加权和；然后进行竞争，产生输出。对于第j个竞争单元，其输入总和为7.3反馈网络7.3.2Hopfield神经网络A/D变换器图7-10迟滞现象图7-11非对称HNN网A/D变换器图7-12采用非对称结构的A/D转换关系7.4神经网络在智能传感器中的应用二、神经网络算法对应每一个实际输入xi,可得到一个非线性数据集｛1,x,x2,x3,…，xn｝这些可作为神经网络的输入模式，图7-13权值训练原理示意图三、浓度传感器非线性估计及动态标定浓度传感器的本质是非线性的。可将(7-35)式写成下列近似形式：四、实例分析及结论图7-14拟合曲线表7-1传感器输出及对应浓度估计值7.4.2神经网络在监测材料损伤中的应用二、智能结构系统简介三、前向BP网络处理器图7-17BP算法流程四、实验结果表7-3在线仿真实验数及结果7.4.3神经网络滤波一、问题提出通常，由信号发生器产生的正弦波或三角波信号都不同程度地含有噪声干扰信号。若我们将它作为精密测量供电信号或进行相位检测时，往往造成测量不精确等缺陷。消除噪声干扰的办法很多，下面提出一种采用神经网络学习记忆功能，实现对含噪正弦波或三角波信号的复原，即消除噪声干扰。二、自适应线性函数的最小二乘法(LMS)学习算法为了简单起见，我们以输入矢量为二维的情况作为示例来进行讨论。这时输入矢量X和权矢量W可以分别表示为权值修正公式为三、软件编程及说明实现上述算法的软件编程如下(采用MATLAB语言)：disp(′*****欢迎使用*****′)disp(′请输入训练次数′)T=input(′′)disp(′请输入步长参数′)l=input(′′)disp(′请输入所加噪声方差参数′)m=input(′′)t=0∶1∶63x=sin(t*2*pi/64)plot(t,x)gridx