CN106372724A - 一种人工神经网络算法 - Google Patents

Abstract

本发明的一种人工神经网络算法，首先对每一个输入信号进行处理，确定其权值，随后对权值进行运算直至收敛，然后修正权值，进行CART运算，最终通过误差修正学习减少误差信号，输出诊断数据。本发明的人工神经网络通过误差反向传递机制，不断调整网络参数，学习特征数据，人工神经网络具有良好的特征提取功能，尤其适合于像变压器故障诊断方面的特征提取问题,是最为广泛应用于电气故障诊断领域的一种人工智能技术，其智能化特点能够有效弥补传统故障诊断方法(改良三比值法等)的不足，其是一种旨在模拟人脑及功能的信息处理方法，具有分布式并行处理、自学习、自适应以及非线性映射等优点。

Description

一种人工神经网络算法

技术领域

本发明电力设备的智能诊断领域，具体涉及一种人工神经网络算法。

背景技术

电力系统中的设备故障不仅会影响系统正常运行，造成巨大的经济损失，而且当设备发生严重故障时甚至会导致整个系统的瘫痪。因此，对设备尤其是关键设备的故障进行早期预测、监测及诊断是保证系统安全运行、提高电力系统运行的可靠性的重要环节，也是近年来人们日益关注并致力研究的课题。作为自动化电器设备之一的高压断路器是发电和用电之间的联系环节，其重要性不言而喻。

目前，国内外对断路器故障诊断的信号和方法主要有如下几种：(1)采用语音识别的方法对断路器动作过程中产生的升学信号进行时频、幅频的分解抽取，然后通过比较和表达，以发现断路器的早期的故障征兆。(2)选取断路器动作时间、三相分合同期性及历史数据进行相似性分析比较来诊断操动系统的故障。(3)对脱扣线圈电流波形进行详细的分析，与正常状态下的“指纹”电流波形进行比较，可以根据一定的规则判断断路器的故障。(4)根据断路器每次动作时采集振动信号，利用傅里叶变换、小波变换、短时能量法、奇异性或动态时间规整性等方法来分析振动信号，在根据断路器每次动作的信号有一定的重复性和独特性的特点，通过比较导测波形与参考波形时间特征量的相似度确定断路器的机械故障。

从总体上来看，无论是在国外还是在国内，现有的实用化状态检测技术及产品的发展都还处于初级阶段。另外断路器在机构上具有多样性和复杂性，其结构的多样性导致了故障形式的多样性；而且故障的随机性和模糊性使断路器的状态变量与故障特征变量之间存在复杂的时变非线型映射关系，所以要想通过有限的传感器来准确了解内部多个机械部件的状态是极其困难的。然而，现有的人工神经网络在应对大型的电力系统的样本采集非常困难，与符号数据库互交的功能较弱，并且不擅长处理启发性的知识。

发明内容

发明的目的是提供一种人工神经网络算法，解决了现有技术中存在的大型的电力系统的完备样本集获取非常困难、与符号数据库互交的功能较弱、不擅长处理启发性的知识等问题。

本发明所采用的技术方案是，一种人工神经网络算法，其特征在于：包含以下步骤：

步骤一：对每一个输入信号进行处理，确定其权值W；

步骤二：重复下述过程直至收敛：

(1)对于k＝1到N；

计算O_ik，net_jk和的值；

(2)对同一节点j∈M，计算δ_jk；

步骤三：修正权值，其中

步骤四：给定神经网络节点属性样本集M，神经网络节点属性集F＝{F₁,F₂,…F_i,…,F_t}，分支数目N和分支停止准则，CART算法具体步骤如下：

(1)依据分支停止准则判断当前节点是否满足停止条件，若是，则返回空树，将数据输出；否则执行步骤(2)；

(2)根据神经网络节点属性样本集M，对于神经网络节点属性集F中的t个属性，计算当使用F_i做判断属性时对应的不纯度改变量，即就是Gini指数改变量ΔG_Fi(M)；

(3)选出Gini指数值改变量ΔG_Fi(M)最大的那个属性，并将该属性作为该分支的分裂属性F_m；

(4)根据分裂属性F_m，将神经网络节点属性样本集分为n个子集{N₁,N₂,…,N_j,…,N_n}；

(5)分别对n个子集执行步骤(1)～(4)，新的输入为子集N_j和属性集F，从而得到对于分支N_j的分类器T_j(可能为空树)；

(6)对已建好的决策树进行剪枝操作，得到一系列嵌套子树；

(7)采用V折交叉验证进行最优子树的选择；

(8)采用选出的最优决策树对新的测试样本进行条件判定，输出相应的分类结果；

步骤五：在步骤四每一次判定输出分类结果后，对分类结果进行误差修正学习，使误差信号最小，直到当前节点满足停止条件，随后将诊断数据输出。

在步骤一中，如果输入信号大于1个，即有x个输入信号：P₁、P₂、P₃、…、P_x时，先对输入信号进行处理，确定出各个输入信号的权重值：ω₁、ω₂、ω₃、ω₄、…、ω_x，再通过公式算出加权和：

w＝w₁，p₁+w₂，p₂+…+w_x，p_x+b

其中，b为偏置指数。

人工神经网络还可以有1个或多个隐含层节点；对于输入信号，要先向前传播到隐含层节点，经激励函数转换后，再把隐含层节点的输出信号传播到输出节点，最后给出输出结果。

节点作用的激励函数关系为：

f(x)＝δ(x)

节点作用的激励函数关系为：

$f\left(x\right)=\frac{1}{1+e^{-x/Q}}$

式中，Q为调整激励函数形式的Sigmoid参数。

误差修正学习过程由正向传播和反向传播组成。在正向传播过程中，输入信息从输入层经隐含层逐层处理，并传向输出层。每一层神经元的状态只影响下一层神经元的状态。如果输出层得不到期望的输出，则转入反向传播，将误差信号沿原来的连接通道返回，通过修改各层神经元的权值，使得误差信号最小。

该算法的误差修正学习过程的计算公式为：

设含有n个节点的任意网络，各节点的激活函数为Sigmoid型。为简便起见，指定网络只有一个输出y,任一节点i的输出为O_i,并设有N个样本(x_k,y_k)(k＝1,2,…N)

对某一输入x_k，网络输出为y_k节点i的输出为O_ik,节点j的输入为：

${\mathrm{net}}_{jk}=\underset{i}{\Σ}{W}_{ij}{O}_{ik}---\left(1\right)$

并将误差函数定义为：

$E=\frac{1}{2}\underset{k=1}{\overset{N}{\Σ}}{(y_k-{\hat{y}}_k)}^2---\left(2\right)$

其中为网络实际输出，定义且O_jk＝f(net_jk)，于是：

$\frac{\∂E_k}{\∂W_{ij}}=\frac{\∂E_k}{\∂{\mathrm{net}}_{jk}}\frac{\∂{\mathrm{net}}_{jk}}{\∂W_{ij}}=\frac{\∂E_k}{\∂{\mathrm{net}}_{jk}}{O}_{ik}={\mathrm{\δ}}_{jk}{O}_{ik}---\left(3\right)$

当j为输出节点时，

若j不是输出节点，则有

${\mathrm{\δ}}_{jk}=\frac{\∂E_k}{\∂{\mathrm{net}}_{jk}}=\frac{\∂E_k}{\∂O_{jk}}\frac{\∂O_{jk}}{\∂{\mathrm{net}}_{jk}}=\frac{\∂E_k}{\∂O_{jk}}{f}^{\′}\left({\mathrm{net}}_{jk}\right)$

$\begin{array}{c}\frac{\∂E_k}{\∂O_{jk}}=\underset{m}{\Σ}\frac{\∂E_k}{\∂{\mathrm{net}}_{mk}}\frac{\∂{\mathrm{net}}_{mk}}{\∂O_{jk}}\\ =\underset{m}{\Σ}\frac{\∂E_k}{\∂{\mathrm{net}}_{mk}}\frac{\∂}{\∂O_{jk}}\underset{i}{\Σ}{W}_{mi}{O}_{ik}\\ =\underset{m}{\Σ}\frac{\∂E_k}{\∂{\mathrm{net}}_{mk}}\underset{i}{\Σ}{W}_{mj}=\underset{m}{\Σ}{\mathrm{\δ}}_{mk}{W}_{mj}\end{array}$

因此

$\left\{\begin{array}{c}{\mathrm{\δ}}_{jk}=f^{\′}\left(ne{t}_{jk}\right)\underset{m}{\Σ}{\mathrm{\δ}}_{mk}{W}_{mj}\\ \frac{\∂E_k}{\∂W_{ij}}={\mathrm{\δ}}_{mk}{O}_{ik}\end{array}\right..$

可以通过将算法封装成一个文件，当输入一组数据设备的数据之后，系统调用封装好的文件中的算法，实现数据诊断输出。

本发明的有益效果是，人工神经网络通过误差反向传递机制，不断调整网络参数，学习特征数据，人工神经网络具有良好的特征提取功能，尤其适合于像变压器故障诊断方面的特征提取问题,是最为广泛应用于电气故障诊断领域的一种人工智能技术，其智能化特点能够有效弥补传统故障诊断方法(改良三比值法等)的不足，其是一种旨在模拟人脑及功能的信息处理方法，具有分布式并行处理、自学习、自适应以及非线性映射等优点。

附图说明

图1是本发明的系统框图。

具体实施方式

下面结合附图和具体实施方式对本发明进行详细说明。

如图1所示，本发明的一种人工神经网络算法，人工神经网络有m层，而第m层仅含输出节点，第一层为输入节点。

人工神经还可以含有1个或多个隐含层节点，对于输入信号，要先向前传播到隐含层节点，经激励函数转换后，再把隐含层节点的输出信号传播到输出节点，最后给出输出结果。

本算法中应用到的CART是一种产生二叉决策树的技术，算法先建树后剪枝，建树过程中，CART将初始样本空间作为根节点，采用Gini准则选择具有最小Gini系数值的属性作为测试属性，Gini值越小，样本的“纯净度”越高，划分效果越好。采用二分递归划分，在分支节点上进行布尔测试，判断条件为真的划归左分支，否则划归右分支。将样本空间不断分割，直至节点无法再分，成为最终的叶节点，形成一个二叉树，这些叶节点所表示的数据子空间的特征决定了样本类别。使用CART处理实际问题时，采用自顶而下递归的方式，在内部节点进行属性值的比较。根据不同属性值判断从该节点向下的分枝，在叶节点得到结论。CART中从根节点到叶节点的每一条路径对应一条规则，整棵树对应着一组表达式规则。

本算法的误差修正学习过程由正向传播和反向传播组成。在正向传播过程中，输入信息从输入层经隐含层逐层处理，并传向输出层。每一层神经元的状态只影响下一层神经元的状态。如果输出层得不到期望的输出，则转入反向传播，将误差信号沿原来的连接通道返回，通过修改各层神经元的权值，使得误差信号最小。

实施例1

该人工神经网络有M层，第M层仅含输出节点，第一层为输入节点，输入信号为一个。

本发明的一种人工神经网络算法，其步骤为：

步骤一：对每一个输入信号进行处理，确定其权值W；

步骤二：重复下述过程直至收敛：

①对于k＝1到N

a.计算O_ik，net_jk和的值；

b.对各层从M到2反向计算。

②对同一节点j∈M，由式(4-4)和(4-5)计算δ_jk。

步骤三，修正权值，其中

步骤四：给定神经网络节点属性样本集M，神经网络节点属性集F＝{F₁,F₂,…F_i,…,F_t}，分支数目N和分支停止准则，CART算法具体步骤如下：

(1)依据分支停止准则判断当前节点是否满足停止条件，若是，则返回空树，将数据输出；否则执行步骤(2)；

(2)根据神经网络节点属性样本集M，对于神经网络节点属性集F中的t个属性，计算当使用F_i做判断属性时对应的不纯度改变量，即就是Gini指数改变量ΔG_Fi(M)；

(3)选出Gini指数值改变量ΔG_Fi(M)最大的那个属性，并将该属性作为该分支的分裂属性F_m；

(4)根据分裂属性F_m，将神经网络节点属性样本集分为n个子集{N₁,N₂,…,N_j,…,N_n}；

(5)分别对n个子集执行步骤(1)～(4)，新的输入为子集N_j和属性集F，从而得到对于分支N_j的分类器T_j(可能为空树)；

(6)对已建好的决策树进行剪枝操作，得到一系列嵌套子树；

(7)采用V折交叉验证进行最优子树的选择；

(8)采用选出的最优决策树对新的测试样本进行条件判定，输出相应的分类结果；

步骤五：在步骤四每一次判定输出分类结果后，对分类结果进行误差修正学习，使误差信号最小，直到当前节点满足停止条件，随后将诊断数据输出。

该算法的误差修正学习过程的计算公式为：

设含有n个节点的任意网络，各节点的激活函数为Sigmoid型。为简便起见，指定网络只有一个输出y,任一节点i的输出为O_i,并设有N个样本(x_k,y_k)(k＝1,2,…N)

对某一输入x_k，网络输出为y_k节点i的输出为O_ik,节点j的输入为：

${\mathrm{net}}_{jk}=\underset{i}{\Σ}{W}_{ij}{O}_{ik}---\left(1\right)$

并将误差函数定义为：

$E=\frac{1}{2}\underset{k=1}{\overset{N}{\Σ}}{(y_k-{\hat{y}}_k)}^2---\left(2\right)$

其中为网络实际输出，定义且O_jk＝f(net_jk)，于是：

$\frac{\∂E_k}{\∂W_{ij}}=\frac{\∂E_k}{\∂{\mathrm{net}}_{jk}}\frac{\∂{\mathrm{net}}_{jk}}{\∂W_{ij}}=\frac{\∂E_k}{\∂{\mathrm{net}}_{jk}}{O}_{ik}={\mathrm{\δ}}_{jk}{O}_{ik}---\left(3\right)$

当j为输出节点时，

若j不是输出节点，则有

${\mathrm{\δ}}_{jk}=\frac{\∂E_k}{\∂{\mathrm{net}}_{jk}}=\frac{\∂E_k}{\∂O_{jk}}\frac{\∂O_{jk}}{\∂{\mathrm{net}}_{jk}}=\frac{\∂E_k}{\∂O_{jk}}{f}^{\′}\left({\mathrm{net}}_{jk}\right)$

$\begin{array}{c}\frac{\∂E_k}{\∂O_{jk}}=\underset{m}{\Σ}\frac{\∂E_k}{\∂{\mathrm{net}}_{mk}}\frac{\∂{\mathrm{net}}_{mk}}{\∂O_{jk}}\\ =\underset{m}{\Σ}\frac{\∂E_k}{\∂{\mathrm{net}}_{mk}}\frac{\∂}{\∂O_{jk}}\underset{i}{\Σ}{W}_{mi}{O}_{ik}\\ =\underset{m}{\Σ}\frac{\∂E_k}{\∂{\mathrm{net}}_{mk}}\underset{i}{\Σ}{W}_{mj}=\underset{m}{\Σ}{\mathrm{\δ}}_{mk}{W}_{mj}\end{array}$

因此

$\left\{\begin{array}{c}{\mathrm{\δ}}_{jk}=f^{\′}\left(ne{t}_{jk}\right)\underset{m}{\Σ}{\mathrm{\δ}}_{mk}{W}_{mj}\\ \frac{\∂E_k}{\∂W_{ij}}={\mathrm{\δ}}_{mk}{O}_{ik}\end{array}\right.$

最终将诊断数据输出。

同时，可以通过将算法封装成一个文件，当输入一组数据设备的数据之后，系统调用封装好的文件中的算法，实现数据诊断输出。

实施例2

该人工神经网络有M层，第M层仅含输出节点，第一层为输入节点，输入信号为X个，X为大于1的常数。

本发明的一种人工神经网络算法，其步骤为：

步骤一：对每一个输入信号：P₁、P₂、P₃、…、P_x进行处理，确定出各个输入信号的权重值：ω₁、ω₂、ω₃、ω₄、…、ω_x，再通过公式算出加权和：

w＝w₁，p₁+w₂，p₂+…+w_x，p_x+b

其中，b为偏置指数。

步骤二：重复下述过程直至收敛：

①对于k＝1到N

a.计算O_ik，net_jk和的值；

b.对各层从M到2反向计算。

②对同一节点j∈M，由式(4-4)和(4-5)计算δ_jk。

步骤三，修正权值，其中

步骤四：给定神经网络节点属性样本集M，神经网络节点属性集F＝{F₁,F₂,…F_i,…,F_t}，分支数目N和分支停止准则，CART算法具体步骤如下：

(1)依据分支停止准则判断当前节点是否满足停止条件，若是，则返回空树，将数据输出；否则执行步骤(2)；

(2)根据神经网络节点属性样本集M，对于神经网络节点属性集F中的t个属性，计算当使用F_i做判断属性时对应的不纯度改变量，即就是Gini指数改变量ΔG_Fi(M)；

(3)选出Gini指数值改变量ΔG_Fi(M)最大的那个属性，并将该属性作为该分支的分裂属性F_m；

(4)根据分裂属性F_m，将神经网络节点属性样本集分为n个子集{N₁,N₂,…,N_j,…,N_n}；

(5)分别对n个子集执行步骤(1)～(4)，新的输入为子集N_j和属性集F，从而得到对于分支N_j的分类器T_j(可能为空树)；

(6)对已建好的决策树进行剪枝操作，得到一系列嵌套子树；

(7)采用V折交叉验证进行最优子树的选择；

(8)采用选出的最优决策树对新的测试样本进行条件判定，输出相应的分类结果；

步骤五：在步骤四每一次判定输出分类结果后，对分类结果进行误差修正学习，使误差信号最小，直到当前节点满足停止条件，随后将诊断数据输出。

该算法的误差修正学习过程的计算公式为：

设含有n个节点的任意网络，各节点的激活函数为Sigmoid型。为简便起见，指定网络只有一个输出y,任一节点i的输出为O_i,并设有N个样本(x_k,y_k)(k＝1,2,…N)

对某一输入x_k，网络输出为y_k节点i的输出为O_ik,节点j的输入为：

${\mathrm{net}}_{jk}=\underset{i}{\Σ}{W}_{ij}{O}_{ik}---\left(1\right)$

并将误差函数定义为：

$E=\frac{1}{2}\underset{k=1}{\overset{N}{\Σ}}{(y_k-{\hat{y}}_k)}^2---\left(2\right)$

其中为网络实际输出，定义且O_jk＝f(net_jk)，于是：

$\frac{\∂E_k}{\∂W_{ij}}=\frac{\∂E_k}{\∂{\mathrm{net}}_{jk}}\frac{\∂{\mathrm{net}}_{jk}}{\∂W_{ij}}=\frac{\∂E_k}{\∂{\mathrm{net}}_{jk}}{O}_{ik}={\mathrm{\δ}}_{jk}{O}_{ik}---\left(3\right)$

当j为输出节点时，

若j不是输出节点，则有

${\mathrm{\δ}}_{jk}=\frac{\∂E_k}{\∂{\mathrm{net}}_{jk}}=\frac{\∂E_k}{\∂O_{jk}}\frac{\∂O_{jk}}{\∂{\mathrm{net}}_{jk}}=\frac{\∂E_k}{\∂O_{jk}}{f}^{\′}\left({\mathrm{net}}_{jk}\right)$

$\begin{array}{c}\frac{\∂E_k}{\∂O_{jk}}=\underset{m}{\Σ}\frac{\∂E_k}{\∂{\mathrm{net}}_{mk}}\frac{\∂{\mathrm{net}}_{mk}}{\∂O_{jk}}\\ =\underset{m}{\Σ}\frac{\∂E_k}{\∂{\mathrm{net}}_{mk}}\frac{\∂}{\∂O_{jk}}\underset{i}{\Σ}{W}_{mi}{O}_{ik}\\ =\underset{m}{\Σ}\frac{\∂E_k}{\∂{\mathrm{net}}_{mk}}\underset{i}{\Σ}{W}_{mj}=\underset{m}{\Σ}{\mathrm{\δ}}_{mk}{W}_{mj}\end{array}$

因此

$\left\{\begin{array}{c}{\mathrm{\δ}}_{jk}=f^{\′}\left(ne{t}_{jk}\right)\underset{m}{\Σ}{\mathrm{\δ}}_{mk}{W}_{mj}\\ \frac{\∂E_k}{\∂W_{ij}}={\mathrm{\δ}}_{mk}{O}_{ik}\end{array}\right.$

最终将诊断数据输出。

同时，可以通过将算法封装成一个文件，当输入一组数据设备的数据之后，系统调用封装好的文件中的算法，实现数据诊断输出。

实施例3

该人工神经网络有M层，第M层仅含输出节点，第一层为输入节点，输入信号为X个，X为大于1的常数，人工神经网络还有大于1个的隐含层节点。

节点作用的激励函数关系为：

f(x)＝δ(x)

节点作用的激励函数关系为：

$f\left(x\right)=\frac{1}{1+e^{-x/Q}}$

式中，Q为调整激励函数形式的Sigmoid参数。

本发明的一种人工神经网络算法，其步骤为：

步骤一：对每一个输入信号：P₁、P₂、P₃、…、P_x进行处理，确定出各个输入信号的权重值：ω₁、ω₂、ω₃、ω₄、…、ω_x，再通过公式算出加权和：

w＝w₁，p₁+w₂，p₂+…+w_x，p_x+b

其中，b为偏置指数。

步骤二：重复下述过程直至收敛：

①对于k＝1到N

a.计算O_ik，net_jk和的值；

b.对各层从M到2反向计算。

②对同一节点j∈M，由式(4-4)和(4-5)计算δ_jk。

步骤三，修正权值，其中

步骤四：给定神经网络节点属性样本集M，神经网络节点属性集F＝{F₁,F₂,…F_i,…,F_t}，分支数目N和分支停止准则，CART算法具体步骤如下：

(1)依据分支停止准则判断当前节点是否满足停止条件，若是，则返回空树，将数据输出；否则执行步骤(2)；

(2)根据神经网络节点属性样本集M，对于神经网络节点属性集F中的t个属性，计算当使用F_i做判断属性时对应的不纯度改变量，即就是Gini指数改变量ΔG_Fi(M)；

(3)选出Gini指数值改变量ΔG_Fi(M)最大的那个属性，并将该属性作为该分支的分裂属性F_m；

(4)根据分裂属性F_m，将神经网络节点属性样本集分为n个子集{N₁,N₂,…,N_j,…,N_n}；

(5)分别对n个子集执行步骤(1)～(4)，新的输入为子集N_j和属性集F，从而得到对于分支N_j的分类器T_j(可能为空树)；

(6)对已建好的决策树进行剪枝操作，得到一系列嵌套子树；

(7)采用V折交叉验证进行最优子树的选择；

(8)采用选出的最优决策树对新的测试样本进行条件判定，输出相应的分类结果；

步骤五：在步骤四每一次判定输出分类结果后，对分类结果进行误差修正学习，使误差信号最小，直到当前节点满足停止条件，随后将诊断数据输出。

该算法的误差修正学习过程的计算公式为：

设含有n个节点的任意网络，各节点的激活函数为Sigmoid型。为简便起见，指定网络只有一个输出y,任一节点i的输出为O_i,并设有N个样本(x_k,y_k)(k＝1,2,…N)

对某一输入x_k，网络输出为y_k节点i的输出为O_ik,节点j的输入为：

${\mathrm{net}}_{jk}=\underset{i}{\Σ}{W}_{ij}{O}_{ik}---\left(1\right)$

并将误差函数定义为：

$E=\frac{1}{2}\underset{k=1}{\overset{N}{\Σ}}{(y_k-{\hat{y}}_k)}^2---\left(2\right)$

其中为网络实际输出，定义且O_jk＝f(net_jk)，于是：

$\frac{\∂E_k}{\∂W_{ij}}=\frac{\∂E_k}{\∂{\mathrm{net}}_{jk}}\frac{\∂{\mathrm{net}}_{jk}}{\∂W_{ij}}=\frac{\∂E_k}{\∂{\mathrm{net}}_{jk}}{O}_{ik}={\mathrm{\δ}}_{jk}{O}_{ik}---\left(3\right)$

当j为输出节点时，

若j不是输出节点，则有

${\mathrm{\δ}}_{jk}=\frac{\∂E_k}{\∂{\mathrm{net}}_{jk}}=\frac{\∂E_k}{\∂O_{jk}}\frac{\∂O_{jk}}{\∂{\mathrm{net}}_{jk}}=\frac{\∂E_k}{\∂O_{jk}}{f}^{\′}\left({\mathrm{net}}_{jk}\right)$

$\begin{array}{c}\frac{\∂E_k}{\∂O_{jk}}=\underset{m}{\Σ}\frac{\∂E_k}{\∂{\mathrm{net}}_{mk}}\frac{\∂{\mathrm{net}}_{mk}}{\∂O_{jk}}\\ =\underset{m}{\Σ}\frac{\∂E_k}{\∂{\mathrm{net}}_{mk}}\frac{\∂}{\∂O_{jk}}\underset{i}{\Σ}{W}_{mi}{O}_{ik}\\ =\underset{m}{\Σ}\frac{\∂E_k}{\∂{\mathrm{net}}_{mk}}\underset{i}{\Σ}{W}_{mj}=\underset{m}{\Σ}{\mathrm{\δ}}_{mk}{W}_{mj}\end{array}$

因此

$\left\{\begin{array}{c}{\mathrm{\δ}}_{jk}=f^{\′}\left(ne{t}_{jk}\right)\underset{m}{\Σ}{\mathrm{\δ}}_{mk}{W}_{mj}\\ \frac{\∂E_k}{\∂W_{ij}}={\mathrm{\δ}}_{mk}{O}_{ik}\end{array}\right.$

最终将诊断数据输出。

同时，可以通过将算法封装成一个文件，当输入一组数据设备的数据之后，系统调用封装好的文件中的算法，实现数据诊断输出。

从上述人工神经网络算法可以看出，人工神经网络模型把一组样本的I/O问题变为一个非线性优化问题，它使用的是优化中最普通的梯度下降法。如果把神经网络的看成输入到输出的映射，则这个映射是一个高度非线性映射。

以上所述仅是本发明的优选实施方式，应当指出，对于本技术领域的普通技术人员，在不脱离本发明原理的前提下，还可以做出若干改进和补充，这些改进和补充也应视为本发明的保护范围。

Claims (8)

1.一种人工神经网络算法，其特征在于：包含以下步骤：

步骤一：对每一个输入到神经网络输入层节点的信号进行处理，确定其权值W；

步骤二：重复下述过程直至收敛：

(1)对于k＝1到N；

计算O_ik，net_jk和的值；

(2)对同一节点j∈M，计算δ_jk；

步骤三：修正权值，其中

步骤四：给定神经网络节点属性样本集M，神经网络节点属性集F＝{F₁,F₂,…F_i,…,F_t}，分支数目N和分支停止准则，CART算法具体步骤如下：

(1)依据分支停止准则判断当前节点是否满足停止条件，若是，则返回空树，将数据输出；否则执行步骤(2)；

(2)根据神经网络节点属性样本集M，对于神经网络节点属性集F中的t个属性，计算当使用F_i做判断属性时对应的不纯度改变量，即就是Gini指数改变量ΔG_Fi(M)；

(3)选出Gini指数值改变量ΔG_Fi(M)最大的那个属性，并将该属性作为该分支的分裂属性F_m；

(4)根据分裂属性F_m，将神经网络节点属性样本集分为n个子集{N₁,N₂,…,N_j,…,N_n}；

(5)分别对n个子集执行步骤(1)～(4)，新的输入为子集N_j和属性集F， 从而得到对于分支N_j的分类器T_j(可能为空树)；

(6)对已建好的决策树进行剪枝操作，得到一系列嵌套子树；

(7)采用V折交叉验证进行最优子树的选择；

(8)采用选出的最优决策树对新的测试样本进行条件判定，输出相应的分类结果；

步骤五：在步骤四每一次判定输出分类结果后，对分类结果进行误差修正学习，使误差信号最小，直到当前节点满足停止条件，随后将诊断数据输出。

2.根据权利要求1所述的一种人工神经网络算法，其特征在于：在步骤一中，如果输入信号大于1个，即有x个输入信号：P₁、P₂、P₃、…、P_x时，先对输入信号进行处理，确定出各个输入信号的权重值：ω₁、ω₂、ω₃、ω₄、…、ω_x，再通过公式算出加权和：

w＝w₁，p₁+w₂，p₂+…+w_x，p_x+b

其中，b为偏置指数。

3.根据权利要求2所述的一种人工神经网络算法，其特征在于：人工神经网络还可以有1个或多个隐含层节点；对于输入信号，要先向前传播到隐含层节点，经激励函数转换后，再把隐含层节点的输出信号传播到输出节点，最后给出输出结果。

4.根据权利要求3所述的一种人工神经网络算法，其特征在于：节点作用的激励函数关系为：

f(x)＝δ(x) 。

5.根据权利要求4所述的一种人工神经网络算法，其特征在于：节点作用的激励函数具体关系为：

式中，Q为调整激励函数形式的Sigmoid参数。

6.根据权利要求1所述的一种人工神经网络算法，其特征在于：所述误差修正学习过程由正向传播和反向传播组成；在正向传播过程中，输入信息从输入层经隐含层逐层处理，并传向输出层；每一层神经元的状态只影响下一层神经元的状态；如果输出层得不到期望的输出，则转入反向传播，将误差信号沿原来的连接通道返回，通过修改各层神经元的权值，使得误差信号最小。

7.根据权利要求6所述的一种人工神经网络算法，其特征在于：该算法的误差修正学习过程的计算公式为：

设含有n个节点的任意网络，各节点的激活函数为Sigmoid型；为简便起见，指定网络只有一个输出y,任一节点i的输出为O_i,并设有N个样本(x_k,y_k)(k＝1,2,…N)

对某一输入x_k，网络输出为y_k节点i的输出为O_ik,节点j的输入为：

并将误差函数定义为：

其中为网络实际输出，定义且O_jk＝f(net_jk)，于是：

当j为输出节点时，

若j不是输出节点，则有

因此

8.一种封装文件，其特征在于包括所述权利要求1-7中任一一种的人工神经网络算法，可以通过将算法封装成一个文件，当输入一组数据设备的数据之后，系统调用封装好的文件中的算法，实现数据诊断输出。