1 / 12 第九章神经网络故障诊断9.1 引言人工神经网络（Artificial Neural Network--ANN ）是由大量简单的处理单元广泛连接组成的复杂网络， 是在现代生物学研究人脑组织所取得的成果基础上提出的，用以模拟人类大脑神经网络结构和行为。目前，尽管ANN 还不是人脑神经网络系统的真实写照，而只是对其作某种简化、抽象和模拟，但对ANN 的研究成果已显示了ANN 具有人脑功能的基本特征：学习、记忆和归纳。ANN 是一个高度复杂的非线性动力学系统。由于其具有大规模并行性、冗余性、容错性、本质非线性及自组织、自学习、自适应能力，已经成功地应用到许多不同的领域。控制领域也成为其中之一。其实，早在40 年代， Wiener 提出的控制论（Cybernetics），指的是包括数学、工程、生理和心理成果而实现人机协同这样一种理想境界。只不过生理和心理学成果在控制界一直未受重视而已。 1986 高峰会议，面对控制界存在的、难以用现存的成熟理论解决的问题：非线性性、复杂性、时变性，专家们提出了这样的想法：“能否从生物研究得到启发来设计出更好的机器？能否用生物行为作为判断工程系统品质的基准？控制论观点能否再次为我们提供新的思想源泉？⋯心理学对人类大脑如何协调全身几百个自由度运动的问题已进行了长期的研究，是否应当有所借鉴？⋯”。从此，在控制界兴起了神经网络热。那么，究竟ANN 用于自动控制有那些优越性呢? (1) ANN 可以处理那些难于用数学模型或规则描述的过程或系统，解决那些目前“只可意会，不可言传”的问题。(2) ANN是本质的并行结构，在处理实时性要求高的自动控制领域显示出极大的优越性。(3) ANN 是本质非线性系统，给非线性控制系统的描述带来了统一的数学模型。(4) ANN 具有很强的信息综合能力，能同时处理大量不同类型的输入，能很好地解决输入信息之间的互补性与冗余性问题。因此， 它在多变量、 大系统及复杂系统的控制上有明显的优越性。近几年，在控制界，先后出现了ANN 系统辨识、 ANN 非线性控制、 ANN 学习控制及ANN 自适应控制等。主要被用于机器人控制、工业程控等领域。9.2 神经网络特性简述目前， 有关神经网络的研究仍在不断的发展之中，很多种神经网络模型已被给出。但到目前为止， 研究和使用最多的神经网络模型是采用BP 算法的前向传播模型，亦称 BP 网络。BP 网络的学习过程是一种误差修正型学习算法，它由正向传播和反向传播组成。在正向传播过程中， 输入信号...
