【正文】 以下對(duì)三種典型的神經(jīng)網(wǎng)絡(luò)作出簡(jiǎn)要介紹：（1） BP神經(jīng)網(wǎng)絡(luò)圖4 BP神經(jīng)網(wǎng)絡(luò)在確定了BP神經(jīng)網(wǎng)絡(luò)的拓?fù)浣Y(jié)構(gòu)之后，就可以利用訓(xùn)練樣本集對(duì)其進(jìn)行訓(xùn)練，訓(xùn)練過程由正向傳播和反向傳播組成。因此出現(xiàn)了一些改進(jìn)的方法, 主要有附加動(dòng)量法、自適應(yīng)學(xué)習(xí)速率、帶有動(dòng)量法和自適應(yīng)的梯度下降法等。生物神經(jīng)網(wǎng)絡(luò)是人工神經(jīng)網(wǎng)絡(luò)導(dǎo)向性的知識(shí)，卻非原則。通過對(duì)機(jī)械設(shè)備振動(dòng)信號(hào)的預(yù)測(cè)，可以及早發(fā)現(xiàn)故障，及時(shí)消除故障隱患，為企業(yè)節(jié)省大量的維修時(shí)間和維修費(fèi)用，提高企業(yè)的生產(chǎn)率。然后對(duì)測(cè)得的振動(dòng)量進(jìn)行特征分析，確定故障的性質(zhì)，最后進(jìn)一步進(jìn)行分析就可以確定故障的原因及部位[1] 。設(shè)輸入向量為，則信息的向前傳播過程為：（1） 隱含層中第個(gè)神經(jīng)元的輸出：（2）輸出層中第個(gè)神經(jīng)元的輸出:1（3）定義誤差函數(shù):其中， 分別是隱含層和輸出層的激活函數(shù)。（3）互聯(lián)網(wǎng)絡(luò)互聯(lián)網(wǎng)絡(luò)每個(gè)元都可以與其它元相連，分為局部互聯(lián)和全互聯(lián)。這樣網(wǎng)絡(luò)的權(quán)就可由線性方程組直接解出或用RLS方法遞推計(jì)算，從而大大加快學(xué)習(xí)速度并避免局部極小問題。研究表明: 振動(dòng)的強(qiáng)弱及其包含的主要頻率成份和故障類型、部位和原因等有著密切的聯(lián)系。圖7 三種不同方法對(duì)訓(xùn)練樣本的預(yù)測(cè)結(jié)果 圖8 三種不同方法對(duì)測(cè)試樣本的預(yù)測(cè)結(jié)果表1 幾種不同方法的預(yù)測(cè)結(jié)果模型訓(xùn)練樣本測(cè)試樣本最大絕對(duì)誤差均方差最大絕對(duì)誤差均方差標(biāo)準(zhǔn)BP算法改進(jìn)的BP算法遺傳神經(jīng)網(wǎng)絡(luò)由此可見, 遺傳神經(jīng)網(wǎng)絡(luò)在機(jī)械振動(dòng)信號(hào)預(yù)測(cè)中是一種有效可行的方法。%建立網(wǎng)絡(luò)n=7。bh39。 %顯示迭代過程=。%建立網(wǎng)絡(luò)n=20。bh39。%繪制網(wǎng)絡(luò)輸出曲線并與原函數(shù)比較%網(wǎng)絡(luò)訓(xùn)練=50。期望誤差當(dāng)然希望越小越好，但是也要有合適值。原函數(shù)曲線以及訓(xùn)練后網(wǎng)絡(luò)的輸出曲線 39。},39。 %訓(xùn)練精度[net,tr]=train(net,X,Y)。)2） 輸出結(jié)果TRAINGDA, Epoch 0/5000, MSE , Gradient TRAINGDA, Epoch 50/5000, MSE , Gradient TRAINGDA, Epoch 100/5000, MSE , Gradient TRAINGDA, Epoch 150/5000, MSE , Gradient TRAINGDA, Epoch 200/5000, MSE , Gradient ……TRAINGDA, Epoch 4800/5000, MSE , Gradient TRAINGDA, Epoch 4850/5000, MSE , Gradient TRAINGDA, Epoch 4900/5000, MSE , Gradient TRAINGDA, Epoch 4950/5000, MSE , Gradient TRAINGDA, Epoch 5000/5000, MSE , Gradient TRAINGDA, Maximum epoch reached, performance goal was not met.網(wǎng)絡(luò)結(jié)構(gòu)：輸入：1。},39。 %訓(xùn)練精度[net,tr]=train(net,X,Y)。課程作業(yè)解答網(wǎng)絡(luò)結(jié)構(gòu)：輸入：1。表圖8同時(shí)給出了標(biāo)準(zhǔn)BP算法、改進(jìn)BP算法和遺傳神經(jīng)網(wǎng)絡(luò)算法對(duì)訓(xùn)練樣本和測(cè)試樣本的預(yù)測(cè)結(jié)果。作為狀態(tài)監(jiān)測(cè)的支承技術(shù)機(jī)械故障診斷技術(shù)必將被大家所接受、認(rèn)同。當(dāng)RBF的中心點(diǎn)確定以后，這種映射關(guān)系也就確定了。神經(jīng)網(wǎng)絡(luò)的基本模型如下圖3所示：圖3 神經(jīng)網(wǎng)絡(luò)工作原理網(wǎng)絡(luò)的拓?fù)浣Y(jié)構(gòu)決定了神經(jīng)元的連接方式和信息的傳遞途徑，人工神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)主要有以下幾種：（1）前向網(wǎng)絡(luò)前向網(wǎng)絡(luò)的特點(diǎn)是神經(jīng)元分層排列，可以有多層；同一層神經(jīng)元間無連接；方向具有單一性，由入到出。它集機(jī)械學(xué)、計(jì)算機(jī)學(xué)以及統(tǒng)計(jì)學(xué)等多門學(xué)科于一體。傳統(tǒng)的診斷方法和診斷理論對(duì)單過程、單故障和漸發(fā)性故障的簡(jiǎn)單系統(tǒng)可以發(fā)揮較好的作用，但對(duì)于多過程、多故障和突發(fā)性故障以及復(fù)雜龐大、高度自動(dòng)化的大型設(shè)備和系統(tǒng)就具有很大的局限性。 Neural Network。甚至，在醫(yī)學(xué)、環(huán)境科學(xué)以及其他領(lǐng)域的重大作用也日益凸顯。同時(shí)，各通道都對(duì)電位產(chǎn)生影響，即空間總合效應(yīng)。（2） RBF網(wǎng)絡(luò)圖5 RBF神經(jīng)網(wǎng)絡(luò)RBF網(wǎng)絡(luò)由3層結(jié)構(gòu)組成，即輸入層、隱含層和輸出層，其結(jié)構(gòu)如圖所示。對(duì)于現(xiàn)代化設(shè)備來說, 故障是不可避免的, 如果能做到及早發(fā)現(xiàn)、防患于未然, 可為企業(yè)節(jié)省大量的維修費(fèi)用。選取前100個(gè)數(shù)據(jù)作為訓(xùn)練樣本,后100個(gè)數(shù)據(jù)作為測(cè)試樣本。 隱含：7 tanh元。 %顯示迭代過程=。tansig39。ro39。 %顯示迭代過程=。tansig39。, X,Y2,39。同樣采用一般BP算法，神經(jīng)元數(shù)目同為20，可見無初始化權(quán)值的網(wǎng)絡(luò)精度更高，且收斂更快。 %訓(xùn)練次數(shù)=。)title(39。 39。 %訓(xùn)練精度[net,tr]=train(net,X,Y)。)title(39。 39。4 結(jié) 論從以上分析可以看出