基于概率神经网络在声发射信号处理中的应用
技术与应用
1神经网络分析发展简介
1943年，精神病解剖学家W.McCulloch 和WPitts 数理逻辑学家，结合神经生理学和数理逻辑，
研究神经网络的逻辑演算，证明神经网络原则上可以计算任何函数，标志着神经网络和人工智能学科诞生。
1986年，D.E.Rumelhart 和J.L.McClelland 等人提出T 多层前馈网的“逆推”或称反向传播(Back Propagation)算法，简称BP 算法。该算法从后向前修
正各层之间的连接权，证实人工神经网络具有很强的运算能力，真正重新掀起神经网络研究的热潮。
BP 算法是目前最为引人注目的、应用最广的神经
网络算法之一。
神经网络应用研究取得很大的成绩，涉及面广泛。从众多应用研究领域取得的丰硕成果来看，神经网络发展具有强大的生命力。
2神经网络识别方法及特点
人工神经网络声发射信号处理，成为国际声发射技术研究的热点，期望能用人工神经网络方法对声发射信号进行有效性识别，以期得到对声发射源特征的详细描述，克服目前声发射信号处理中存在的声发射源模式不可分、不可识别及在信号处理过程中人为干预，效率低等问题。
[1]
2．1学习能力
神经网络具有智能训练，可抽象出训练样本的
主要特征，表现出强大的自适应能力。
2．2分布式
在传统串行运行体系计算机中，信息分布在独立存储单元，任何部分内存的损坏都将导致整个信息无效。而在神经网络中，信息则分散分布在神经元的连接上，单个连接权值和神经元都没多大用途，但组合起来，能从宏观反映出一定信息特征。对个别神经元和连接权值损坏，并不会对信息特征造成太大影响，表现出神经网络强大的兼容性和容错能力。即使输入信号受到一定干扰，输出也不会有较大畸变。神经网络信息分布特性，使其具有强大的联想能力。
2．3并行性
神经网络是对人脑结构和功能模拟，但更偏重对结构的模拟。神经元在处理信息时各自独立，分别接受输入，作用后产生输出。并行计算处理，用于适时快速处理信息，成为下一代智能计算机的基础。
2．4非线性
神经网络有效地实现输入空间到输出空间非线性映射。寻求输入空间到输出空间的非线性模型，是工程界普遍面临的问题。大部分无模型的非线性系统，神经网络都能很好地模拟。因此，神经网络成为非线性系统研究的重要工具。
[2]
因此，神经网络在自适应信号处理、自适应控制、机器人、语音识别、图像识别、系统辨识、故障诊断、非线性优化以及专用集成电路等众多的研究领
基于概率神经网络在声发射信号处理中的应用
赵鹏喜
（三门峡职业技术学院机电工程系，河南三门峡472000）
摘要：利用LABVIEW 图形化编程软件中的MATLAB Script 节点，将LABVIEW 和强大的数据处理软件
MATLAB 结合起来，充分体现各软件优势，建立完整的分析诊断。利用功能强大的MATLAB 算法库，可望开发出更
具智能化的虚拟仪器，将会在诸如机械故障诊断、专家系统、复杂过程控制等方面有极大地应用价值。
关键词：神经网络；逻辑演算；声发射信号；工具箱；虚拟仪器；机械故障中图分类号：TN911文献标识码：A
文章编号：1671-9123（2009）02-0090-03
收稿日期：2009-03-03
作者简介：赵鹏喜（1968-），男，河南鹿邑人，三门峡职业技术学院副教授，主要从事物理教育、应用电子技术研究。
2009年6月第8卷第2期
三门峡职业技术学院学报
Journal of Sanmenxia Polytechnic
Jun.,2009Vol.8,No2
90
域里显示了广阔的应用前景。
3MATLAB软件建立概率神经网络
MATLAB软件带有功能强大的神经网络工具箱，以人工神经网络理论为基础，用MATLAB语言构造出典型的神经网络激励函数，设计者选定网络输出计算变成对激励函数的调用。了解并充分利用该工具箱函数，使研究工作收到事半功倍效果。Mathworks公司推出的MATLAB7.3在原来的基础上，增加新函数，使编程思路大大简化，编程负担大大减轻。
神经网络工具箱几乎完整的概括了神经网络基本成果，涉及到的模型有感知器、线形滤波器、BP 网络、径向基函数网络、自组织网络及回归网络等。这些神经网络模型，主要适用范围有：函数和模型逼近、信号处理和预测、分群、自适应控制、故障诊断推理等。[3]
3．1对样本集进行归一化
确定输入样本和输出样本，并对它们进行归一化，使输入样本与输出样本之间形成一一对应的关系。训练样本如下：
P=[0.06480.008220.0082;
0.062130.008330.00832;
0.064530.00910.0091;
0.063060.008510.00851;
0.062660.008780.00878;
0.078130.009390.00939；
0.112930.011150.01114;
0.0820.010630.01063;
0.073460.010040.01003;
0.113730.010870.01087;
0.030930.003330.00326;
0.0280.003650.00293;
0.02520.003210.00321;
0.03840.003340.00323;
0.028330.003230.00312;
0.019660.002570.00242;
0.024060.003010.00294;
0.024460.003010.00292;
0.014060.002320.00217;
0.028730.003280.00321;
0.069730.065980.00594;
0.03360.00370.00369;
0.082530.007710.00768;
0.05240.004940.00488;
0.053460.005320.00529;
0.048130.004230.0042;
0.071460.005390.00536;
0.04880.004670.00464;
0.028930.003670.00363;
0.026260.003680.00361];
T=[001;001;001;001;001;001;001;00 1;001;001;
010;010;010;010;010;010;010;010; 010;010;
100;100;100;100;100;100;100;100; 100;100]。
3．2创建概率网络
创建概率网络程序如下：
net=newpnn(P,T,0.0001);
其中P，T分别为输入向量和目标向量，0.0001为径向基函数的分布密度。
函数newpnn已经创建了一个准确的概率神经网络，可以利用该网络进行故障诊断和分析了。
首先检验网络对训练数据的分类：
temp=sim(net,P)
yc=vec2ind(temp)
不同的密度值对应的概率神经网络输出结果都是一样的，即：
yc=123
由此可见，网络成功地将故障模式分为3类。
4MATLABScript节点在LabVIEW 中的调用
LABVIEW是一种图形化程序语言，语言编程时，基本不用写程序代码，取而代之的是程序流程图，大大提高工作效率。MATLAB是Mathworks公司开发的“演算纸式”程序设计语言。提供强大的矩阵运算和图形处理功能，编程效率高，为所有工程计算领域提供准确、高效的工具箱。但MATLAB也有不足之处，例如界面开发能力较差，数据输入、网络通信、硬件控制等方面都比较繁琐。
美国NI公司推出的LabVIEW语言，是图形化编程语言。LabVIEW是实验室虚拟仪器集成环境（Laboratory Virtual Instrument Engineering Workbeach）的简称，使用图标代替文本代码创建应用程序，拥有大量与其它应用程序通信的VI库。例如LabVIEW使用自动化ActiveX技术、DDE和SQL，可与其它Windows应用程序集成；使用DataSocket技术Web Server、TCP/IP和UDP网络
基于概率神经网络在声发射信号处理中的应用
91
VIS，与远程应用程序通信，在对硬件支持方面LabVIEW集成与GPIB、VXT、PXI、RS-232/485、PLC 和插入式数据采集设备等进行数据通信的全部功能，在LabVIEW下开发的程序称为虚拟仪器VI（Virtual Instrument）,因为其外形和操作可以模拟实际仪器,在对各种算法的支持方面，LabVIEW的工具箱非常有限，这就限制了大型应用程序的快速开发。[4]
鉴于LabVIEW和MATLAB的优点，使用Active技术实现LabVIEW和MATLAB的混合编程，充分利用MATLAB提供的大量高效可靠的算法和LabVIEW的图形化编程能力，混合开发出功能强大的应用软件。
在混合编程中，利用LabVIEW设计拥护图形界面，负责数据采集和网络通信，MATLAB在后台提供大型算法供LabVIEW调用。MATLAB提供了Script节点，LabVIEW使用ActiveX技术执行该节点，启动一个MATLAB进程，这样可以很方便地在自己的LabVIEW应用程序中使用MATLAB节点，包括执行MATLAB命令、使用功能丰富的各种工具箱。如神经网络工具箱（Neural Network Toolbox）、小波工具箱（Wavelet Toolbox）等，值得注意的是：LabVIEW与MATLAB之间的数据通信仅支持Real、Real-Vector、Real-Matrix、Complex、Vector-Complex、Matrix六种格式数据，因此必须根据具体情况选择。
MATLAB Script节点在LabVIEW中位于Functions模板＞＞Analyze子模板＞＞Mathematics子模板＞＞Formular子模板中。MATLAB Script节点具有多输入、多输出的特点，一次处理信息量很大，MATLAB脚本可以先在MATLAB环境下调试，无误后再导入到MATLAB Script节点中。MATLAB Script节点对输入、输出数据的类型有明确要求，只有LabVIEW中的数据类型与MATLAB中的数据类型相匹配时才能进行数据传输，使用MATLAB Script节点的方法快捷方便。[5]
采用虚拟仪器技术，通过LabVIEW构建，测试仪器开发效率高；可维护性强；测试精度、稳定性和可靠性能够得到充分保证；具有很高的性价比，节省投资，便于设备更新和功能扩充。如果能利用MATLAB功能强大的算法库，可望开发出更具智能化的虚拟仪器，将会在诸如故障诊断、专家系统、复杂过程控制等方面大有用武之地。
5应用总结
通过研究声发射信号处理，实现机械故障的智能诊断，获得大量的研究数据——
—声发射信号。概率神经网络在声发射信号处理中的应用总结如下。
5．1声发射是研究滚动轴承机械故障诊断的很好手段。声发射信号直接来源于工作状态下的轴承，与轴承故障相关程度高。声发射信号频率范围远远高于机械振动和环境噪声频率范围，受外界条件变化影响小，通过滤波器容易得到无干扰信号。
5．2人工神经网络是研究声发射信号模式识别的有效方法。神经网络不要求研究者具有丰富背景知识、长期的现场检测和数据分析经验，具有良好地自学习能力和泛化能力，通过样本的学习训练，实现声发射故障状态的识别。
5．3神经网络具有滤除噪声及在有噪声情况下得出正确结论的能力，可以训练人工神经网络识别故障信息，能在有噪声环境中有效工作，滤除噪声能力使得人工神经网络适合在线故障测试和诊断。
5．4神经网络作为一种自适应模式识别技术，不需要预先给出有关模式的经验知识和判别函数，通过自身学习机制自动形成所要求的决策区域。网络特性由其拓扑结构、神经元特性、学习和训练规则所决定，可以充分利用状态信息，对来自不同状态信息逐一进行训练而获得某种映射关系。而且网络可以连续学习，如果环境发生连续改变，这种自适应关系还可以自适应地进行调整。[6]
5．5LabVIEW提供了与工程计算与数值分析软件MATLAB的接口MATLAB Script节点，利用该节点进行基于LabVIEW的人机界面开发和基于MATLAB的声发射信号处理，不仅仅具有良好的可靠性，而且大大地缩短了算法开发时间，具有一定的实用价值。
参考文献：
[1]陈春朝.货车滚动轴承故障的声发射诊断研究[C].洛阳：河南科技大学，2006.
[2]王肇琪，付勤毅.滚动轴承故障的振动监测方法[J].有色矿山，1999(1).
[3]李晓梅.声发射信号处理与分析[C].武汉：武汉大学，2003.
[4]周开利，康耀红.神经网络模型及其MATLAB仿真程序设计[M].北京：清华大学出版社，2005.
[5]郭晶，孙伟娟.神经网络理论与MATLAB7实现[M].北京：电子工业出版社，2005.
[6]董长虹.神经网络与应用[M].北京：国防工业出版社，2007.
（责任编辑梁红艳）
三门峡职业技术学院学报92
常见的信号处理滤波方法
低通滤波：又叫一阶惯性滤波，或一阶低通滤波。是使用软件编程实现普通硬件RC 低通滤波器的功能。 适用范围：单个信号，有高频干扰信号。 一阶低通滤波的算法公式为： Y(n)X(n)(1)Y(n 1)αα=+-- 式中： α是滤波系数；X(n)是本次采样值；Y(n 1)-是上次滤波输出值；Y(n)是本次滤波输出值。 滤波效果1： 红色线是滤波前数据（matlab 中生成的正弦波加高斯白噪声信号） 黄色线是滤波后结果。 滤波效果2：
matlab中函数，相当于一阶滤波，蓝色是原始数据（GPS采集到的x（北）方向数据，单位m），红色是滤波结果。 一阶滤波算法的不足： 一阶滤波无法完美地兼顾灵敏度和平稳度。有时，我们只能寻找一个平衡，在可接受的灵敏度范围内取得尽可能好的平稳度。
互补滤波：适用于两种传感器进行融合的场合。必须是一种传感器高频特性好（动态响应好但有累积误差，比如陀螺仪。），另一传感器低频特性好（动态响应差但是没有累积误差，比如加速度计）。他们在频域上互补，所以进行互补滤波融合可以提高测量精度和系统动态性能。 应用：陀螺仪数据和加速度计数据的融合。 互补滤波的算法公式为： 1122Y(n)X (n)(X (n)Y(n 1))αα+=+-- 式中：1α和2α是滤波系数；1X (n)和2X (n)是本次采样值；Y(n 1)-是上次滤 波输出值；Y(n)是本次滤波输出值。 滤波效果 （测试数据）： 蓝色是陀螺仪 信号，红色是加 速度计信号，黄 色是滤波后的 角度。
. 互补滤波实际效果： .
卡尔曼滤波：卡尔曼滤波器是一个“optimal recursive data processing algorithm （最优化自回归数据处理算法）”。对于解决很大部分的问题，它是最优，效率最高甚至是最有用的。他的广泛应用已经超过30年，包括机器人导航，控制，传感器数据融合甚至在军事方面的雷达系统以及导弹追踪等等。近来更被应用于计算机图像处理，例如头脸识别，图像分割，图像边缘检测。 首先，用于测量的系统必须是线性的。 (k)(k 1)(k)(k)X AX BU w =-++ (k)(k)(k)Z HX v =+ (k)X 是系统k 时刻的状态，(k)U 是系统k 时刻的控制量。(k)Z 是系统k 时 刻的测量值。A 和B 为系统参数，(k)w 和(k)v 分别表示过程和测量的噪声，H 是测量系统参数。 在进行卡尔曼滤波时： 首先进行先验预测： (k 1|k)(k |k)(k)(k)X AX BU w +=++ 计算先验预测方差： '(k 1|k)(k |k)(k)P AP A Q +=+ 计算增益矩阵： (k 1)(k 1|k)'/((k 1|k)'(k 1))Kg P H HP H R +=++++ 后验估计值： (k 1|k 1)(k 1|k)(k 1)(Z(k 1)(k 1|k))X X Kg HX ++=++++-+ 后验预测方差： (k 1|k 1)(1(k 1))(k 1|k)P Kg H P ++=-++ 其中，(k)Q 是系统过程激励噪声协方差，(k)R 是测量噪声协方差。 举例说明： （下文中加粗的是专有名词，需要理解） 预测小车的位置和速度的例子（博客+自己理解）:
神经网络在PLC控制系统中的应用
神经网络在PLC控制系统中的应用 2010-11-11 18:30:00 来源：中国自动化网浏览：47 网友评论条点击查看 摘要：神经网络具有自学习、自调整、自适应能力。本文介绍了由PLC控制实现的神经网络PID自适应控制器。实验表明，该技术对于提高控制精度是行之有效的。具有在调速系统中推广应用的价值。 关键词：PLC;PID控制器;神经网络;直流调速系统 一、引言 虽然目前的交、直流传动系统都有较成熟的控制方案，采用线性PI或PID 调节器可以取得基本满意的控制效果。但是，常参数的PID调节器只对线形系统有效，它们的控制性能因为系统的非线性而降低。在电力传动系统中，虽可以建立电机模型，但是电机本身和负载的一些参数（如交流电机的转子电阻、拖动负载的转动惯量）是无法确定的、时变的。电气设备的机械饱和特性，开关的失控时间、控制延时都是不能精确建模的非线性因素。然而将模糊与神经网络技术引入电力传动系统设计智能控制器却可以很好地克服电力传动对象变参数、非线性等问题，大大提高系统的鲁棒性。引入模糊与神经网络技术的主要优点是不需要过程的复杂模型，而且适应性强，容易实现。 本文是将PID控制规律融进神经网络[3]之中，实现神经网络与PID控制规律的本质结合，共同完成PID自适应调节，并用PLC实现神经网络PID自适应控制，确保电力传动系统的控制精度和可靠性。 二、PID自适应控制器 常规PID控制算法为： （1） 用求和代替积分，微分用有限差分代替，即上式为： （2） 式中T为采样周期，KP是比例系数，KI=KP/TI是积分比例系数，KD=KPTD是微分比例系数。 根据上式，组成由两层线性神经网络构造的控制器，如图1所示。它是由比例、积分、微分三个单元组成的一种动态前向网络，各层神经元个数、连接方式、连接权值是按PID 控制规律的基本原则和已有的经验确定，能够保证系统的稳定和快速收敛。
数字信号处理复习总结-最终版
绪论：本章介绍数字信号处理课程的基本概念。 0.1信号、系统与信号处理 1.信号及其分类 信号是信息的载体，以某种函数的形式传递信息。这个函数可以是时间域、频率域或其它域，但最基础的域是时域。 分类： 周期信号/非周期信号 确定信号/随机信号 能量信号/功率信号 连续时间信号/离散时间信号/数字信号 按自变量与函数值的取值形式不同分类： 2.系统 系统定义为处理（或变换）信号的物理设备，或者说，凡是能将信号加以变换以达到人们要求的各种设备都称为系统。 3.信号处理 信号处理即是用系统对信号进行某种加工。包括：滤波、分析、变换、综合、压缩、估计、识别等等。所谓“数字信号处理”，就是用数值计算的方法，完成对信号的处理。 0.2 数字信号处理系统的基本组成 数字信号处理就是用数值计算的方法对信号进行变换和处理。不仅应用于数字化信号的处理，而且
也可应用于模拟信号的处理。以下讨论模拟信号数字化处理系统框图。 （1）前置滤波器 将输入信号x a(t)中高于某一频率（称折叠频率，等于抽样频率的一半）的分量加以滤除。 （2）A/D变换器 在A/D变换器中每隔T秒（抽样周期）取出一次x a(t)的幅度，抽样后的信号称为离散信号。在A/D 变换器中的保持电路中进一步变换为若干位码。 （3）数字信号处理器（DSP） （4）D/A变换器 按照预定要求，在处理器中将信号序列x(n)进行加工处理得到输出信号y(n)。由一个二进制码流产生一个阶梯波形，是形成模拟信号的第一步。 （5）模拟滤波器 把阶梯波形平滑成预期的模拟信号；以滤除掉不需要的高频分量，生成所需的模拟信号y a(t)。 0.3 数字信号处理的特点 （1）灵活性。（2）高精度和高稳定性。（3）便于大规模集成。（4）对数字信号可以存储、运算、系统可以获得高性能指标。 0.4 数字信号处理基本学科分支 数字信号处理（DSP）一般有两层含义，一层是广义的理解，为数字信号处理技术——DigitalSignalProcessing，另一层是狭义的理解，为数字信号处理器——DigitalSignalProcessor。 0.5 课程内容 该课程在本科阶段主要介绍以傅里叶变换为基础的“经典”处理方法，包括：（1）离散傅里叶变换及其快速算法。（2）滤波理论（线性时不变离散时间系统，用于分离相加性组合的信号，要求信号频谱占据不同的频段）。 在研究生阶段相应课程为“现代信号处理”（AdvancedSignalProcessing）。信号对象主要是随机信号，主要内容是自适应滤波（用于分离相加性组合的信号，但频谱占据同一频段）和现代谱估计。 简答题： 1．按自变量与函数值的取值形式是否连续信号可以分成哪四种类型? 2．相对模拟信号处理，数字信号处理主要有哪些优点? 3．数字信号处理系统的基本组成有哪些？
PNN神经网络聚类法模式分类思想
目录 摘要 (1) 1概率神经网络 (1) 1.1网络模型 (1) 1.2分类思想 (2) 1.3 PNN分类的优点 (3) 2 PNN网络的构建 (3) 2.1 构建步骤 (3) 2.2 Matlab中的主要代码 (4) 3 Matlab编程及结果分析 (4) 3.1 Matlab中的编程 (4) 3.2 仿真结果分析 (7) 3.3 结论 (10) 4 总结 (11) 参考文献 (12)
PNN神经网络聚类法 摘要 近几年来，对于神经网络的研究越来越普遍，神经网络在我们社会生活中的作用也越来越不可替代，尤其在模式识别的领域里，更是有着举足轻重的作用。 酒是由多种成分按不同的比例构成的，兑酒时需要三种原料（X,Y,Z），现在已测出不同酒中三种原料的含量，本文正是基于PNN神经网络针对酒中X、Y、Z三种含量的不同来对酒进行识别分类。本文首先介绍了PNN神经网络的网络模型以及它对不同的模式进行分类判别的思想，然后针对本文的酒类判别的要求来构建PNN网络，并在Matlab中进行编程仿真，最后对所仿真的结果进行了分析比较，最后找出最优的模式分类。 1概率神经网络 概率神经网络(Probabilistic Neural Networks,PNN)是由D. F. Specht在1990年提出的。主要思想是用贝叶斯决策规则,即错误分类的期望风险最小,在多维输入空间内分离决策空间。它是一种基于统计原理的人工神经网络,它是以Parzen 窗口函数为激活函数的一种前馈网络模型。PNN吸收了径向基神经网络与经典的概率密度估计原理的优点,与传统的前馈神经网络相比,在模式分类方面尤其具有较为显著的优势。 1.1网络模型 PNN的结构如图1所示,共由四层组成。 图1 概率神经网络结构
声发射信号处理方法分析
声发射的定义可以分为广义和狭义两 种，狭义通常认为材料受外力或内力作用， 局域源快速释放能量而产生瞬态弹性波的 现象称为声发射（Ａｃｏｕｓｔｉｃ Ｅｍｉｓｓｉｏｎ），简称 ＡＥ。广义的声发射认为像泄漏等外力作用 下，激发能量波在材料中传播的现象也是 一种声发射。 声发射是一种常见的物理现象，大多 数材料变形和断裂时有声发射发生。但许 多材料的声发射信号强度很弱，人耳不能 直接听见，需要借助灵敏的电子仪器才能 检测出来。用仪器探测、记录、分析声发射 信号和利用声发射信号对声发射源进行定 量、定性和定位的技术称为声发射检测技 术。其基本原理如图１所示。 声发射检测技术作为一种动态无损检 测方法已经广泛用于各种材料或结构的稳 定性评价。声发射检测的目的就是尽早地 发现声发射源和尽可能多地得到声发射源 的信息。目前，常用的声发射信号的处理方 法有特征参量法和波形分析法。 １．声发射信号的特征参量分析法 声发射信号特征参量分析法，即对声 发射信号特征参量进行处理，用声发射特 征参量描述声发射源特性的分析方法。目 前，声发射特征参量主要有声发射信号的 幅度、能量、振铃计数、事件、上升时 声发射信号处理方法分析 谢朝阳１，２ １，中南大学资安院 ４１００８３； ２，湖南工学院基础课部 ４２１００２ 间、持续时间和门槛电压等（如图２所 示）。这种声发射信号处理技术的研究主要 集中在对声发射信号的有效性分析上，主 要采用的方法有幅度鉴别、频率鉴别、空间 滤波、软件剔噪和信号的事后处理等。 参量分析法中为了能找到声发射源的 特性和内在规律，人们通常使用关联图分 析法，即将幅度、持续时间、能量、到 达时间、均方根电压值、撞击数、撞击 数率、外接参量等之间任意两个变量做关 联分析。从声发射参量的关联图中可以找 出声发射信号的变化规律，可以区分不同 特性的信号。 ２．声发射信号的谱估计方法 波形频谱分析是通过分析声发射信号 的时域或频域波形来获得信息的一种信号 处理方法。谱估计可分为经典谱估计和现 代谱估计两大类。 ２．１．经典谱估计方法 经典谱估计是以傅立叶变换为基础， 又称为线性谱估计方法。它主要包括相关 图法和周期图法以及在此基础上的改进方 法。 （１）相关图法又称为间接法。它是由随 机信号的Ｎ个观察值Ｘ（０），…，Ｘ（Ｎ－ １），估计出自相关函数Ｒ Ｎ （ｍ），然后再求 Ｒ Ｎ （ｍ）的傅立叶变换作为功率谱的估计 （２）周期图法又称为直接法。它是直接 由傅立叶变换得到的，设有限长实序列Ｘ （ｎ）的傅立叶变换为 在Ｍａｔｌａｂ的函数工具箱里，调用函 数为Ｐｅｒｉｏｄｏｇｒｍ（ｘ）。 （３）改进的直接法。直接法和间接法的 方差很大，而且当数据太长时，谱曲线起飞 加剧；数据长度太小时，谱的分辨率又不 好，所以需要改进。Ｗｅｌｃｈ提出同时使用平 均和平滑两种手段来求功率谱密度，数据 系列Ｘ（ｎ）分为Ｋ段，每段有Ｍ个样本， Ｎ＝ＫＭ。数据窗Ｗ（ｎ）在计算周期图之前 就与数据段相乘，于是定义Ｋ个修正周期 图 在Ｍａｔｌａｂ的函数工具箱里，用函数 Ｐｗｅｌｃｈ来实现Ｗｅｌｃｈ平均周期图法的功率 谱估计。 ２．２．现代谱估计方法 传统的功率谱估计方法是利用加窗的 数据或加窗的相关函数估计的傅立叶变换 计算的，具有一定的优势，如计算效率 高，估计值正比于正弦波信号的功率等。但 是同时也存在许多缺点，主要缺点就是方 差性能差、谱分辨率低。现代谱估计方法图１ 声发射基本原理图２ 常用声发射参数示意图
概率神经网络
概率神经网络概述 概率神经网络（Probabilistic Neural Network ，PNN ）是由D. F. Specht 在1990年提出的。主要思想是贝叶斯决策规则，即错误分类的期望风险最小，在多维输入空间内分离决策空间。它是一种基于统计原理的人工神经网络，它是以Parazen 窗口函数为激活函数的一种前馈网络模型。PNN 吸收了径向基神经网络与经典的概率密度估计原理的优点，与传统的前馈神经网络相比，在模式分类方面尤其具有较为显著的优势。 1.1 概率神经网络分类器的理论推导 由贝叶斯决策理论： w w w i j i x then i j x p x p if ∈≠?>→ → → , )|()|( （1-1） 其中 )|()()|(w w w i i i x p p x p → →=。 一般情况下，类的概率密度函数)|(→ x p w i 是未知的，用高斯核的Parzen 估 计如下： )2exp(1 1 )|(2 2 1 2 2σ σ π→ → -∑ - = =→ x x N w ik N i k l l i i x p （1-2） 其中，→ x ik 是属于第w i 类的第k 个训练样本，l 是样本向量的维数，σ是 平滑参数，N i 是第w i 类的训练样本总数。 去掉共有的元素，判别函数可简化为： ∑-=→ → → - = N ik i k i i i x x N w g p x 1 2 2 )2exp()()(σ （1-3）
1.2 概率神经元网络的结构模型 PNN 的结构以及各层的输入输出关系量如图1所示，共由四层组成，当进行并行处理时，能有效地进行上式的计算。 图1 概率神经网络结构 如图1所示，PNN 网络由四部分组成：输入层、样本层、求和层和竞争层。PNN 的工作过程：首先将输入向量→ x 输入到输入层，在输入层中，网络计算输入 向量与训练样本向量之间的差值 |-|→→ x ik x 的大小代表着两个向量之间的距离， 所得的向量由输入层输出，该向量反映了向量间的接近程度；接着，输入层的输出向量 →→x ik x -送入到样本层中，样本层节点的数目等于训练样本数目的总和，∑===M i i i N N 1 ，其中M 是类的总数。样本层的主要工作是：先判断哪些类别输入 向量有关，再将相关度高的类别集中起来，样本层的输出值就代表相识度；然后，将样本层的输出值送入到求和层，求和层的结点个数是M ， 每个结点对应一个类，
BP神经网络测试例子(附数据)
Train.txt 5.0,3.0,1.6,0.2,1 5.0,3.4,1.6,0.4,1 5.2,3.5,1.5,0.2,1 5.2,3.4,1.4,0.2,1 4.7,3.2,1.6,0.2,1 4.8,3.1,1.6,0.2,1 5.4,3.4,1.5,0.4,1 5.2,4.1,1.5,0.1,1 5.5,4.2,1.4,0.2,1 4.9,3.1,1.5,0.1,1 5.0,3.2,1.2,0.2,1 5.5,3.5,1.3,0.2,1 4.9,3.1,1.5,0.1,1 4.4,3.0,1.3,0.2,1 5.1,3.4,1.5,0.2,1 5.0,3.5,1.3,0.3,1 4.5,2.3,1.3,0.3,1 4.4,3.2,1.3,0.2,1 5.0,3.5,1.6,0.6,1 5.1,3.8,1.9,0.4,1 4.8,3.0,1.4,0.3,1 5.1,3.8,1.6,0.2,1 4.6,3.2,1.4,0.2,1 5.3,3.7,1.5,0.2,1 5.0,3.3,1.4,0.2,1 6.6,3.0,4.4,1.4,2 6.8,2.8,4.8,1.4,2 6.7,3.0,5.0,1.7,2 6.0,2.9,4.5,1.5,2 5.7,2.6,3.5,1.0,2 5.5,2.4,3.8,1.1,2 5.5,2.4,3.7,1.0,2 5.8,2.7,3.9,1.2,2 6.0,2.7,5.1,1.6,2 5.4,3.0,4.5,1.5,2 6.0,3.4,4.5,1.6,2 6.7,3.1,4.7,1.5,2 6.3,2.3,4.4,1.3,2 5.6,3.0,4.1,1.3,2 5.5,2.5,4.0,1.3,2 5.5,2.6,4.4,1.2,2 6.1,3.0,4.6,1.4,2 5.8,2.6,4.0,1.2,2
信号处理知识点总结
第一章信号 1.信息是消息的内容，消息是信息的表现形式，信号是信息的载体 2.信号的特性：时间特性，频率特性 3.若信号可以用确定性图形、曲线或数学表达式来准确描述，则该信号为确定性信号 若信号不遵循确定性规律，具有某种不确定性，则该信号为随机信号 4.信号分类：能量信号，一个信号如果能量有限；功率信号，如果一个信号功率是有限的 5.周期信号、阶跃信号、随机信号、直流信号等是功率信号，它们的能量为无限 6.信号的频谱有两类：幅度谱，相位谱 7.信号分析的基本方法：把频率作为信号的自变量，在频域里进行信号的频谱分析 第二章连续信号的频域分析 1.周期信号频谱分析的常用工具：傅里叶三角级数;傅里叶复指数 2.利用傅里叶三角级数可以把周期信号分解成无穷多个正、余弦信号的加权和3频谱反映信号的频率结构，幅频特性表示谐波的幅值，相频特性反映谐波的相位 4.周期信号频谱的特点：离散性，谐波性，收敛性 5.周期信号由无穷多个余弦分量组成 周期信号幅频谱线的大小表示谐波分量的幅值 相频谱线大小表示谐波分量的相位 6.周期信号的功率谱等于幅值谱平方和的一半，功率谱反映周期信号各次谐波的功率分配关系，周期信号在时域的平均功率等于其各次谐波功率之和 7.非周期信号可看成周期趋于无穷大的周期信号 8.周期T0增大对频谱的影响：谱线变密集，谱线的幅度减少 9.非周期信号频谱的特点：非周期信号也可以进行正交变换； 非周期信号完备正交函数集是一个无限密集的连续函数集； 非周期信号的频谱是连续的； 非周期信号可以用其自身的积分表示 10.常见奇异信号：单位冲激信号，单位直流信号，符号函数信号，单位阶跃信号 11.周期信号的傅里叶变换：周期信号：一个周期绝对可积à傅里叶级数à离散谱 非周期信号：无限区间绝对可积à傅里叶变换à连续谱 12.周期信号的傅立叶变换是无穷多个冲激函数的线性组合 脉冲函数的位置：ω＝nω0 , n=0,±1,±2, ….. 脉冲函数的强度：傅里叶复指数系数的2π倍 周期信号的傅立叶变换也是离散的； 谱线间隔与傅里叶级数谱线间隔相同 13.信号的持续时间与信号占有频带成反比 14.信号在时域的翻转，对应信号在频域的翻转 15.频域频移，时域只有相移，幅频不变；时域相移，只导致频域频移，相位不变
声发射信号的谱分析和相关分析
声发射信号的谱分析和相关分析 陈玉华，刘时风 耿荣生* 沈功田** (清华大学机械系，北京100084) *（北京航空工程技术研究中心， 北京100076） **（国家质量技术监督局锅检中心，北京100027） 摘要：本文主要阐述了谱分析方法和相关分析方法在声发射信号分析中的应用，给出了谱分析和相关分析的基本原理，并分别举例子做了分析讨论。 关键词：声发射；谱分析；FFT；相关分析 SPECTRAL ANALYSIS AND CORRELATION ANALYSIS FOR ACOUSTIC EMISSION SIGNAL CHEN Yuhua,LIU Shifeng (Tsinghua University,Beijing 100084,China) Abstract:A review is given to both spectral analysis and correlation analysis of acoustic emission signal. The principles of spectral analysis and correlation analysis are presented and discussed with some examples. Keywords: acoustic emission;spectral analysis;FFT;correlation analysis 材料或结构受外力或内力作用产生变形或断裂,以弹性波形式释放出应变能的现象称为声发射。声发射是一种常见的物理现象，例如岩石开裂，骨头断裂和各种固体材料断裂过程中发出的声音都是声发射信号，图1为典型的声发射信号。实际应用中，由于外界的干扰以及声发射接收系统的原因（比如传感器的频率特性等），接受得到的声发射信号中除了含有声发射信号特征信息外，还存在着大量的干扰和噪声信号。因此，要想复杂的信号中提取出需要的特征声发射信号，就需要应用一些分析手段来对信号进行处理。 图1. 典型声发射信号
神经网络一个简单实例
OpenCV的ml模块实现了人工神经网络（Artificial Neural Networks，ANN）最典型的多层感知器（multi-layer perceptrons, MLP）模型。由于ml模型实现的算法都继承自统一的CvStatModel基类，其训练和预测的接口都是train(),predict()，非常简单。 下面来看神经网络CvANN_MLP 的使用~ 定义神经网络及参数： [cpp]view plain copy 1.//Setup the BPNetwork 2. CvANN_MLP bp; 3.// Set up BPNetwork's parameters 4. CvANN_MLP_TrainParams params; 5. params.train_method=CvANN_MLP_TrainParams::BACKPROP; 6. params.bp_dw_scale=0.1; 7. params.bp_moment_scale=0.1; 8.//params.train_method=CvANN_MLP_TrainParams::RPROP; 9.//params.rp_dw0 = 0.1; 10.//params.rp_dw_plus = 1.2; 11.//params.rp_dw_minus = 0.5; 12.//params.rp_dw_min = FLT_EPSILON; 13.//params.rp_dw_max = 50.; 可以直接定义CvANN_MLP神经网络，并设置其参数。BACKPROP表示使用 back-propagation的训练方法，RPROP即最简单的propagation训练方法。 使用BACKPROP有两个相关参数：bp_dw_scale即bp_moment_scale： 使用PRPOP有四个相关参数：rp_dw0, rp_dw_plus, rp_dw_minus, rp_dw_min, rp_dw_max：
基于概率神经网络(PNN)的故障诊断
基于概率神经网络（PNN）的故障诊断 概率神经网络PNN是一种结构简单、训练简洁、应用相当广泛的人工神经网络，在实际应用中，尤其是在解决分类问题的应用中，它的优势在于线性学习算法来完成以往非线性学习算法所做的工作，同时又能保持非线性算法的高精度等特性。基于概率神经网络的故障诊断方法实质上是利用概率神经网络模型的强大的非线性分类能力，将故障样本空间映射到故障模式空间中，从而形成一个具有较强容错能力和结构自适应能力的诊断网络系统。 1 概述 概率神经网络是一种可以用于模式分类的神经网络，其实只是基于贝叶斯最小风险准则发展而来的一种并行算法，目前已经在雷达、心电图仪等电子设备中获得了广泛的应用。PNN与BP网络相比较，其主要优点为： 快速训练，其训练时间仅仅大于读取数据的时间。 无论分类问题多么复杂，只要有足够多的训练数据，就可以保证获得贝叶斯准则下的最优解。 允许增加或减少训练数据而无需重新进行长时间的训练。 PNN层次模型是Specht根据贝叶斯分类规则与Parzen的概率密度函数提出的。在进行故障诊断的过程中，求和层对模式层中间同一模式的输出求和，并乘以代价因子；决策层则选择求和层中输出最大者对应的故障模式为诊断结果。当故障样本的数量增加时，模式层的神经元将随之增加。而当故障模式多余两种时，则求和层神经元将增加。所以，随着故障经验知识的积累，概率神经网络可以不断横向扩展，故障诊断的能力也将不断提高。 2基于PNN的故障诊断 1.问题描述 发动机运行过程中，油路和气路出现故障是最多的。由于发动机结构复杂，很难分清故障产生的原因，所以接下来尝试利用PNN来实现对发动机的故障诊断。 在发动机运行中常选用的6种特征参数：AI、MA、DI、MD、TR和PR。其中，AI为最大加速度指标；MA为平均加速度指标；DI为最大减速度指标；MD为平均减速度指标；TR为扭矩谐波分量比；PR为燃爆时的上升速度。 进行诊断时，首先要提取有关的特征参数，然后利用PNN进行诊断，诊断模型如图1所示。 2.PNN的创建和应用
BP神经网络模型应用实例
BP神经网络模型 第1节基本原理简介 近年来全球性的神经网络研究热潮的再度兴起，不仅仅是因为神经科学本身取得了巨大的进展．更主要的原因在于发展新型计算机和人工智能新途径的迫切需要．迄今为止在需要人工智能解决的许多问题中，人脑远比计算机聪明的多，要开创具有智能的新一代计算机，就必须了解人脑，研究人脑神经网络系统信息处理的机制．另一方面，基于神经科学研究成果基础上发展出来的人工神经网络模型，反映了人脑功能的若干基本特性，开拓了神经网络用于计算机的新途径．它对传统的计算机结构和人工智能是一个有力的挑战，引起了各方面专家的极大关注． 目前，已发展了几十种神经网络，例如Hopficld模型，Feldmann等的连接型网络模型，Hinton等的玻尔茨曼机模型，以及Rumelhart等的多层感知机模型和Kohonen的自组织网络模型等等。在这众多神经网络模型中，应用最广泛的是多层感知机神经网络。多层感知机神经网络的研究始于50年代，但一直进展不大。直到1985年，Rumelhart等人提出了误差反向传递学习算法（即BP算），实现了Minsky的多层网络
设想，如图34-1所示。 BP 算法不仅有输入层节点、输出层节点，还可有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，经作用函数后，再把隐节点的输出信号传播到输出节点，最后给出输出结果。节点的作用的激励函数通常选取S 型函数，如 Q x e x f /11)(-+= 式中Q 为调整激励函数形式的Sigmoid 参数。该算法的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
基于声发射信号处理的关键技术要点研究
龙源期刊网 https://www.360docs.net/doc/903839296.html, 基于声发射信号处理的关键技术要点研究 作者：史二娜肖蕾蕾 来源：《中国新通信》2013年第14期 【摘要】声发射检测技术属于一门综合技术，其涉及到的内容主要包括声学、信号处理、电学和材料学等个各个方面的知识，该技术的实用性很强，其应用背景较为广泛。本文笔者就声发射信号处理技术中的一些关键技术要点进行详细地阐述。 【关键词】信号处理独立分量分析去噪处理声发射 一、研究声发射信号处理技术的意义 在声发射检测中，常用的处理技术主要为两种，一种通过多个简化波形特征中的相关参数来表示声发射信号特征，接着对其实施分析与处理。另外一种则是记录与存储发射信号波形，并分析波形。其中简化波形特征参数的分析法，在20世纪50年代的时候应用特别广泛，使得声发射信号处理技术逐渐向商业化和标准化方向发展。其主要表现在以下几个方面：第一，通过介质将声发射信号源所产生的相关信号传播到传感器中，从而得到所需要的相关信息。其整个过程主要包括了声发射源、信号处理、波的传播以及声电传播等各方面。由于在传播过程中容易产生各种不同的噪声，这些噪声容易造成不良影响，因此必须要引进一些新型的处理技术，从而提高其后续处理精度。第二，在传播过程中，声发射信号的反射以及折射较为频繁，且传感器所接收到的相关信号较为复杂，其主要表现为一种非线性、多模态以及非平稳的信号，由于这种信号较为复杂，若利用常用的特征提取方法来进行处理，很难科学且准确地解释声发射源。因此，必须研发一种新型声发射信号特征提取方法。第三，目前我国信息处理发展的方向主要为多传感器信息的融合，近年来，随着传感器阵列测量以及多传感器的快速发展，声发射信号处理技术领域也逐渐需要加大对多传感器融合的研究。 二、声发射信号的去噪处理方法 在声发射信号处理过程中，其去噪处理是非常重要的一个环节，去噪处理方法有很多种，一般可分为使频域法、时域法和频域法。这三种方法每一种均有其不同适用范围以及应用效果，对于平稳信号，通常使用频率域分析法来进行，利用傅立叶变换来进行信号频谱特征的提取，而对非平稳信号，一般常用的方法为小波分析法，由于声发射信号属于非平稳信号，同时其信号类型也有所不同，所对应的去噪处理方式也相应有所不同。因此，对声发射信号实施传播特性分析是选取去噪处理方法的一个重要理论基础以及依据。在该基础上，所常用的两种信号去噪处理技术为矩阵束算法与小波分析法。在现代信号处理技术中，小波分析法是一种比较常见的方法，其处理过程为，首先选定一种小波基，并对信号实施N层的小波分解，通过分 解以后再其各个层系数中选择一个相应的阀值，然后进行阀值处理。通过阀值处理以后的这些系数就会通过小波重新地构建原始信号。矩阵束算法是在奇异值分解的基础上的一种滤波算法，该方法将相关性作为其依据，构建一个二维矩阵束，接着分解该矩阵，把构建的矩阵非为
BP神经网络matlab实例
神经网络Matlab p=p1';t=t1'; [pn,minp,maxp,tn,mint,maxt]=premnmx(p,t); %原始数据归一化net=newff(minmax(pn),[5,1],{'tansig','purelin'},'traingdx');%设置网络,建立相应的BP网络 net.trainParam.show=2000; % 训练网络 net.trainParam.lr=0.01; net.trainParam.epochs=100000; net.trainParam.goal=1e-5; [net,tr]=train(net ,pn,tn); %调用TRAINGDM算法训练BP网络 pnew=pnew1'; pnewn=tramnmx(pnew,minp,maxp); anewn=sim(net,pnewn); %对BP网络进行仿真 anew=postmnmx(anewn,mint,maxt); %还原数据 y=anew'; 1、BP网络构建 （1）生成BP网络 = net newff PR S S SNl TF TF TFNl BTF BLF PF (,[1 2...],{ 1 2...},,,) R?维矩阵。 PR：由R维的输入样本最小最大值构成的2
S S SNl：各层的神经元个数。 [1 2...] TF TF TFNl：各层的神经元传递函数。 { 1 2...} BTF：训练用函数的名称。 （2）网络训练 = [,,,,,] (,,,,,,) net tr Y E Pf Af train net P T Pi Ai VV TV （3）网络仿真 = [,,,,] (,,,,) Y Pf Af E perf sim net P Pi Ai T {'tansig','purelin'},'trainrp' BP网络的训练函数 训练方法训练函数 梯度下降法traingd 有动量的梯度下降法traingdm 自适应lr梯度下降法traingda 自适应lr动量梯度下降法traingdx 弹性梯度下降法trainrp Fletcher-Reeves共轭梯度法traincgf Ploak-Ribiere共轭梯度法traincgp Powell-Beale共轭梯度法traincgb 量化共轭梯度法trainscg 拟牛顿算法trainbfg 一步正割算法trainoss Levenberg-Marquardt trainlm
概率神经网络
概率神经网络概述 令狐采学 概率神经网络（Probabilistic Neural Network ，PNN ）是由D. F. Specht 在1990年提出的。主要思想是贝叶斯决策规则，即错误分类的期望风险最小，在多维输入空间内分离决策空间。它是一种基于统计原理的人工神经网络，它是以Parazen 窗口函数为激活函数的一种前馈网络模型。PNN 吸收了径向基神经网络与经典的概率密度估计原理的优点，与传统的前馈神经网络相比，在模式分类方面尤其具有较为显著的优势。 1.1 概率神经网络分类器的理论推导 由贝叶斯决策理论： w w w i j i x then i j x p x p if ∈≠?>→ →→ , )|()|( （1-1） 其中)|()()|(w w w i i i x p p x p → → = 。 一般情况下，类的概率密度函数)|(→x p w i 是未知的，用高斯核的Parzen 估计如下：
) 2exp(1 1 )|(2 2 1 2 2σ σ π→ → -∑ - = =→ x x N w ik N i k l l i i x p （1-2） 其中，→ x ik 是属于第w i 类的第k 个训练样本，l 是样本向量的维数，σ是平滑参数，N i 是第w i 类的训练样本总数。 去掉共有的元素，判别函数可简化为： ∑-=→ → → - = N ik i k i i i x x N w g p x 1 2 2 ) 2exp()()(σ （1-3） 1.2 概率神经元网络的结构模型 PNN 的结构以及各层的输入输出关系量如图1所示，共由四层组成，当进行并行处理时，能有效地进行上式的计算。 图1 概率神经网络结构 如图1所示，PNN 网络由四部分组成：输入层、样本层、求和层和竞争层。PNN 的工作过程：首先将输入向量→ x 输入到输入层，在输入层中，网络计算输入向量与训练样本向量之间
神经网络应用实例
神经网络 在石灰窑炉的建模与控制中的应用神经网络应用广泛，尤其在系统建模与控制方面，都有很好应用。下面简要介绍神经网络在石灰窑炉的建模与控制中的应用，以便更具体地了解神经网络在实际应用中的具体问题和应用效果。 1 石灰窑炉的生产过程和数学模型 石灰窑炉是造纸厂中一个回收设备，它可以使生产过程中所用的化工原料循环使用，从而降低生产成本并减少环境污染。其工作原理和过程如图1所示，它是一个长长的金属圆柱体，其轴线和水平面稍稍倾斜，并能绕轴线旋转，所以又 CaCO（碳酸钙）泥桨由左端输入迴转窑，称为迴转窑。含有大约30%水分的 3 由于窑的坡度和旋转作用，泥桨在炉内从左向右慢慢下滑。而燃料油和空气由右端喷入燃烧，形成气流由右向左流动，以使泥桨干燥、加热并发生分解反应。迴转窑从左到右可分为干燥段、加热段、煅烧段和泠却段。最终生成的石灰由右端输出，而废气由左端排出。 图1石灰窑炉示意图 这是一个连续的生产过程，原料和燃料不断输入，而产品和废气不断输出。在生产过程中首先要保证产品质量，包括CaO的含量、粒度和多孔性等指标，因此必须使炉内有合适的温度分布，温度太低碳酸钙不能完全分解，会残留在产品中，温度过高又会造成生灰的多孔性能不好，费燃料又易损坏窑壁。但是在生产过程中原料成分、含水量、进料速度、燃油成分和炉窑转速等生产条件经常会发生变化，而且有些量和变化是无法实时量测的。在这种条件下，要做到稳定生产、高质量、低消耗和低污染，对自动控制提出了很高的要求。 以前曾有人分析窑炉内发生的物理-化学变化，并根据传热和传质过程来建立窑炉的数学模型，认为窑炉是一个分布参数的非线性动态系统，可以用二组偏
神经网络控制完整版
神经网络控制 HEN system office room 【HEN16H-HENS2AHENS8Q8-HENH1688】
人工神经网络控制 摘要: 神经网络控制，即基于神经网络控制或简称神经控制，是指在控制系统中采用神经网络这一工具对难以精确描述的复杂的非线性对象进行建模，或充当控制器，或优化计算，或进行推理，或故障诊断等，亦即同时兼有上述某些功能的适应组合，将这样的系统统称为神经网络的控制系统。本文从人工神经网络，以及控制理论如何与神经网络相结合，详细的论述了神经网络控制的应用以及发展。 关键词: 神经网络控制；控制系统；人工神经网络 人工神经网络的发展过程 神经网络控制是20世纪80年代末期发展起来的自动控制领域的前沿学科之一。它是智能控制的一个新的分支，为解决复杂的非线性、不确定、不确知系统的控制问题开辟了新途径。是（人工）神经网络理论与控制理论相结合的产物，是发展中的学科。它汇集了包括数学、生物学、神经生理学、脑科学、遗传学、人工智能、计算机科学、自动控制等学科的理论、技术、方法及研究成果。 在控制领域，将具有学习能力的控制系统称为学习控制系统，属于智能控制系统。神经控制是有学习能力的，属于学习控制，是智能控制的一个分支。神经控制发展至今，虽仅有十余年的历史，已有了多种控制结构。如神经预测控制、神经逆系统控制等。 生物神经元模型 神经元是大脑处理信息的基本单元，人脑大约含1012个神经元，分成约1000种类型，每个神经元大约与 102~104个其他神经元相连接，形成极为错综复杂而又灵活多变的神经网络。每个神经元虽然都十分简单，但是如此大量的神经元之间、如此复杂的连接却可以演化出丰富多彩的行为方式，同时，如此大量的神经元与外部感受器之间的多种多样的连接方式也蕴含了变化莫测的反应方式。 图1 生物神经元传递信息的过程为多输入、单输出，神经元各组成部分的功能来看，信息的处理与传递主要发生在突触附近，当神经元细胞体通过轴突传到突触前膜的脉
第5章 声发射信号处理方法
第5章声发射信号处理方法 目前采集和处理声发射信号的方法可分为两大类。一种为以多个简化的波形特征参数来表示声发射信号的特征，然后对这些波形特征参数进行分析和处理；另一种为存贮和记录声发射信号的波形，对波形进行频谱分析。简化波形特征参数分析方法是自二十世纪五十年代以来广泛使用的经典的声发射信号分析方法，目前在声发射检测中仍得到广泛应用，且几乎所有声发射检测标准对声发射源的判据均采用简化波形特征参数。 5.1 经典信号处理方法 5.1.1 波形特性参数 图5.1为突发型标准声发射信号简化波形参数的定义。由这一模型可以得到如下参数： (1) 波击（事件）计数； (2) 振铃计数； (3) 能量； (4) 幅度； (5) 持续时间； (6) 上升时间； 上升时间 图5.1 声发射信号简化波形参数的定义 对于连续型声发射信号，上述模型中只有振铃计数和能量参数可以适用。为了更确切地描述连续型声发射信号的特征，由此又引入了如下两个参数： (7) 平均信号电平； (8) 有效值电压。 声发射信号的幅度通常以dBae表示，定义传感器输出1 V时为0dB，则幅值为
Vae的声发射信号的dBae幅度可由下式算出： dBae = 20 lg（Vae/1μV） 表5.1列出了常用整数幅度dBae对应的传感器输出电压值。 表5.1常用整数幅度dBae对应的传感器输出电压值dBae 0 20 40 60 80 100 Vae 1μV 10μV 100μV 1mV 10mV 100mV 对于实际的声发射信号，由于试样或被检构件的几何效应，声发射信号波形为如图5.2所示的一系列波形包络信号。因此，对每一个声发射通道，通过引入声发射信号撞击定义时间（HDT）来将一连串的波形包络画入一个撞击或划分为不同的撞击信号。对于图5.2的波形，当仪器设定的HDT大于两个波包过门槛的时间间隔T时，则这两个波包被划归为一个声发射撞击信号；但如仪器设定的HDT小于两个波包过门槛的时间间隔T时，则这两个波包被划归分为两个声发射撞击信号。 HDT T 门槛 图5.2 声发射撞击信号的定义 表5.2列出了常用声发射信号特性参数的含义和用途。这些参数的累加可以被定义为时间或试验参数(如压力、温度等)的函数,如总事件计数、总振铃计数和总能量计数等。这些参数也可以被定义为随时间或试验参数变化的函数，如声发射事件计数率、声发射振铃计数率和声发射信号能量率等。这些参数之间也可以任意两个组合进行关联分析，如声发射事件-幅度分布、声发射事件能量-持续时间关联图等。 5.1.2 分析识别技术 (1) 声发射信号参数的列表显示和分析 列表显示是将每个声发射信号参数进行时序排列和直接显示，包括信号到达时间，各个声发射信号参数、外变量、声发射源的坐标等。表 5.3为压力容器升压过程中采集到的裂纹扩展声发射信号的参数数据列表。在声发射检测前对声发射系统
神经网络模型应用实例
BP 神经网络模型 近年来全球性的神经网络研究热潮的再度兴起，不仅仅是因为神经科学本身取得了巨大的进展．更主要的原因在于发展新型计算机和人工智能新途径的迫切需要．迄今为止在需要人工智能解决的许多问题中，人脑远比计算机聪明的多，要开创具有智能的新一代计算机，就必须了解人脑，研究人脑神经网络系统信息处理的机制．另一方面，基于神经科学研究成果基础上发展出来的人工神经网络模型，反映了人脑功能的若干基本特性，开拓了神经网络用于计算机的新途径．它对传统的计算机结构和人工智能是一个有力的挑战，引起了各方面专家的极大关注． 目前，已发展了几十种神经网络，例如Hopficld 模型，Feldmann 等的连接型网络模型，Hinton 等的玻尔茨曼机模型，以及Rumelhart 等的多层感知机模型和Kohonen 的自组织网络模型等等。在这众多神经网络模型中，应用最广泛的是多层感知机神经网络。多层感知机神经网络的研究始于50年代，但一直进展不大。直到1985年，Rumelhart 等人提出了误差反向传递学习算法（即BP 算），实现了Minsky 的多层网络设想，如图34-1所示。 BP 算法不仅有输入层节点、输出层节点，还可有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，经作用函数后，再把隐节点的输出信号传播到输出节点，最后给出输出结果。节点的作用的激励函数通常选取S 型函数，如 Q x e x f /11 )(-+= 式中Q 为调整激励函数形式的Sigmoid 参数。该算法的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。 社含有n 个节点的任意网络，各节点之特性为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 =1,2,3,…,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net jk = ∑i ik ij O W 并将误差函数定义为∑=-=N k k k y y E 12 )(21