基本介紹
- 中文名：自聯想神經網路
- 外文名：Auto-Associative Neural Network
- 提出時間：1987年
- 提出者：Ballard
- 套用：人工智慧、深度學習
- 學科：計算機科學
簡介,自聯想神經網路的結構,套用,自聯想神經網路用於故障診斷,自聯想神經網路用於測量數據自校正檢驗,
簡介
人工神經網路（Artificial Neural Network，即ANN ），是20世紀80 年代以來人工智慧領域興起的研究熱點。它從信息處理角度對人腦神經元網路進行抽象， 建立某種簡單模型，按不同的連線方式組成不同的網路。在工程與學術界也常直接簡稱為神經網路或類神經網路。神經網路是一種運算模型，由大量的節點（或稱神經元）之間相互聯接構成。每個節點代表一種特定的輸出函式，稱為激勵函式（activation function）。每兩個節點間的連線都代表一個對於通過該連線信號的加權值，稱之為權重，這相當於人工神經網路的記憶。網路的輸出則依網路的連線方式，權重值和激勵函式的不同而不同。而網路自身通常都是對自然界某種算法或者函式的逼近，也可能是對一種邏輯策略的表達。
自聯想神經網路是在 1987 年由 Ballard 針對編碼/解碼問題首先提出的，其網路原型是一種具有對稱拓撲結構的五層前饋傳遞網路，AANN 套用到數據檢驗問題時具有比較明顯的物理意義，首先通過輸入層、映射層以及瓶頸層實現了輸入數據信息的壓縮。從網路輸入的高維參數空間中提取了反映系統結構的最具代表性的低維子空間，同時有效地濾去了測量數據中的噪聲和測量誤差，再通過瓶頸層、解映射層和輸出層實現數據的解壓縮，將前面壓縮的信息還原到各個參數值，從而實現各測量數據的重構。
為了達到信息壓縮的目的，AANN網路瓶頸層節點數目明顯小於輸入層，又為了防止形成輸入輸出之間的簡單單一映射，除了輸出層激勵函式採用線形函式外，其它各層均採用非線形的激勵函式。
自聯想神經網路的結構
AANN結構包括一個輸入層,一定數量的隱含層和一個輸出層。
隱含層第一層叫作映射層。映射層的節點傳遞函式可能是S型函式也可能是其他類似的非線性函式。隱含層第二層叫做瓶頸層。瓶頸層的維數是網路中最小的(它的傳遞函式可能是線性的或者是非線性) 。瓶頸層避免了那種很容易實現的一對一的輸出和輸入相等的映射關係,它使網路對信號進行編碼和壓縮得到輸入感測器數據的相關模型,並在瓶頸層後進行解碼和解壓縮以產生輸入信號的估計值。隱含層第三層或最後一層叫做解映射層,解映射層的節點傳遞函式是非線性的(通常是S型函式)。
套用
自聯想神經網路用於故障診斷
AANN找出參數之間的相互關係 ,這些參數之間在一定程度上都存在著相互聯繫。AANN的輸入是實際系統中測量得來的數據。AANN就是通過大量的訓練樣本,讓輸入和輸出儘可能的相等。因此,當正確的數據輸入到AANN中,網路的輸出將和輸入是相等的,它們的誤差理想為0。從另一方面講,如果數據是錯誤的(可能是一個或者多個輸入數據被破壞) ,那么,輸入和輸出之間的誤差將不為0。因此,通過這種方法可以判斷1個或多個感測器是否發生故障。
自聯想神經網路用於測量數據自校正檢驗
20 世紀 90 年代以來，以 DCS（集散控制系統）為代表的現代化自動控制系統在火電機組中得到了普遍套用，數以千計的感測器數據提供了大量反映電站設備運行狀態的信息。但是由於感測器的故障、漂移和各種干擾的存在使得測量數據中可能會產生一些不良值，從而使基於這些數據開發的系統性能下降，甚至造成系統無法工作。對測量數據中不良值的檢驗已經引起了國內外學者的重視。
測量數據最佳化估計值的求取是不良數據檢驗問題的關鍵，當前有如下幾種求取方法：基於硬體冗餘的互判法，該方法簡單實用，但是要增加相應的硬體投入，只能適用於對一些關鍵參數的測量，而且當冗餘感測器的數目較少時不能準確定位故障感測器；基於採樣數據的時間序列關係的 AR、ARMA 以及 Kalman 等時間序列預測模型，但它們對過程數據的突變會產生誤判，同時其模型參數要求大採樣，實際過程常常不能滿足；帶時間窗的新陳代謝方法，採用有限樣本進行預測，避免了大採樣的要求，但該方法只能對不良數據進行質疑，不能完全檢驗，同時不能實現糾錯的目的；基於機理模型，採用解析冗餘技術進行參數預測，但是這要求有足夠精確的機理模型，同時對於非線性複雜系統模型計算量大，有時不能滿足實時的要求。
這裡給出了基於自聯想神經網路AANN(Auto-associate Neural Networks)的不良數據自校正檢驗方法，利用 AANN 進行過程參數間的主要特徵識別與相關估計，採用參數預測模型並通過殘差決策邏輯實現網路輸入數據的選擇，有效地避免“野點”引起的“殘差污染”問題，以便正確估計測量參數。
基於 AANN 網路的自校正數據檢驗方法，通過對神經網路輸入數據的處理與選擇，提高了神經網路方法線上套用的準確率，避免了數據檢驗時出現的“殘差污染”，從而對測量數據中不良值進行正確檢測與定位，同時能夠對不良數據進行正確的重構與估計。
