第四章2-常用故障诊断算法(人工神经网络)
基于人工神经网络的电力设备故障诊断
基于人工神经网络的电力设备故障诊断引言电力设备在现代社会中起着至关重要的作用。
然而，由于长时间的运行和环境因素的影响，电力设备常常会出现各种故障。
及时准确地诊断电力设备故障，对于保障电力供应的连续性和设备的可靠性至关重要。
本文将探讨基于人工神经网络的电力设备故障诊断技术，介绍其原理和应用。
1. 人工神经网络概述1.1. 神经网络基本原理人工神经网络是一种模仿生物神经网络工作原理的数学模型。
它由多个简单的神经元单元组成，通过突触连接形成复杂的网络结构。
神经元单元接收输入信号，经过加权处理和激活函数的作用，产生输出信号传递给下一层神经元。
通过训练神经网络的权重和阈值，可以实现对复杂问题的非线性建模和处理。
1.2. 神经网络在电力设备故障诊断中的应用人工神经网络在电力设备故障诊断中具有广泛的应用前景。
电力设备故障诊断涉及多种参数和复杂关系的分析，传统方法往往难以准确识别故障类型和位置。
而人工神经网络通过学习和训练，可以有效地从大量的数据中提取特征，实现故障诊断的精准化和自动化。
2. 基于人工神经网络的电力设备故障诊断方法2.1. 数据采集与处理为了建立准确可靠的故障诊断模型，首先需要采集电力设备运行数据。
通过传感器和监测装置，可以获取设备的电流、电压、温度等参数。
同时，对采集到的原始数据进行预处理，包括去噪、归一化等操作，以保证数据的质量和可用性。
2.2. 特征提取与选择在建立故障诊断模型之前，需要从原始数据中提取有效特征。
特征提取是电力设备故障诊断的关键步骤，它决定了模型的性能和诊断结果的准确性。
常用的特征提取方法包括时域特征、频域特征和时频域特征等。
通过比较不同特征的重要性和区分度，选择最具代表性的特征，以降低模型复杂度和提高诊断效果。
2.3. 网络结构设计根据电力设备的输入和输出特性，确定人工神经网络的结构和拓扑。
常用的网络结构包括前馈神经网络（Feedforward Neural Network）和递归神经网络（Recurrent Neural Network）。
第四章 神经网络技术及其在故障诊断中的应用-3
（4）高斯型函数
基本的高斯型函数如下：
x2 f ( x) exp( 2 ) 2
在RBF（径向基函数）神经网络中采用了这种类型的 传递函数。
2、神经网络的拓扑结构
神经网络是由大量神经元相互连接而构成的网络。 根据连接方式的不同，神经网络的拓扑结构通常可分 成两大类：层状结构和网状结构。 层状结构的神经网络由若干层组成，其中一层为网络的 输入层，另一层为网络的输出层，其余介于输入层和输 出层之间的则为隐含层。 每一层都包括一定数量的神经元。在相邻层中神经元单 向连接，而同一层内的神经元相互之间无连接关系。 根据层与层之间有无反馈连接，层状结构的神经网络可 进一步分为“前馈网络”与“反馈网络”两种类型。
（4）自学习、自组织和自适应功能。 学习功能是神经网络的一个重要特征，正是因为 神经网络具有自学习能力，才使得它在应用中表 现出强大的自组织和自适应能力。
神经网络技术的出现，为故障诊断问题提供了一 种新的解决途径。 特别是对复杂系统，由于基于解析模型的故障诊 断方法面临难以建立系统模型的实际困难，基于 知识的故障诊断方法成了重要的、也是实际可行 的方法。
图 人工神经元模型示意图
人工神经元的输入输出关系可描述为：
si ij x j i
j 1
n
yi f ( si )
其中，xj（j=1～n）为来自其他神经元的输入信号； θi为该神经元的阈值； ωij表示从神经元j到神经元i的连接权值； si表示神经元的状态； f(· )为某种非线性函数，它将神经元的状态si变换 成神经元的输出yi，所以称为神经元的输出函数或者传 递函数。
前馈网络又称为前向网络，其特点是在前后相邻的两层 之间神经元相互连接，在各神经元之间没有反馈。 每个神经元可以从前一层接收多个输入，并产生一个输 出传递给下一层的各个神经元，信息只能从输入层开始 逐层向前依次传递。 前馈网络可以包括许多层，但三层前馈网络即可满足实 际应用的要求。
故障诊断方法
一般可看作一组时间序列。通过对该时间序列的
分段采样，可以将输入数据映射成样本空间的点。
这些数据可能包含故障的类型、程度和位置等信
息。但从样本空间看，这些特征信息的分布是变
化的，因此，一般不能直接用于分类。需经合适
的变化来提取有效地故障特征。常用方法包括：
2021/傅11/14里叶变换、小波变换、分形维数等。
2021/11/14
8
模糊故障诊断方法
• 建立故障与征兆之间的模糊关系矩阵R，也叫隶属度矩阵。矩阵中的每个元素 的大小表明了它们之间的相互关系的密切程度。
• 式中：
表示可能发生故障的集
合，n为故障总数；
表示由上面
这些故障所引起的各种特征元素（征兆）的集合，m为各种特征元素（征兆）
总数。
• 测试待诊断对象待检状态的特征参数，提取特征参数向量矩阵X。
2021/11/14
10
故障树故障诊断方法
• 故障树模型是一个基于被诊断对象结构、 功能特征的行为模型，是一种定性的因果 模型，以系统最不希望事件为顶事件，以 可能导致顶事件发生的其他事件为中间事 件和底事件，并用逻辑门表示事件之间联 系的一种倒树状结构。它反映了特征向量 与故障向量之间的全部逻辑关系。
• 故障决策：
• 类似于D-S融合诊断的判定原则。
2021/11/14
24
数据融合局限性
• 贝叶斯方法中先验概率难以确定 • D-S证据理论中故障信度函数的确定也存在
人为因素 • 神经网络数据融合，不仅存在故障隶属度
值确定的困难，而且存在训练样本难以获 取的问题。
2021/11/14
25
可以估计的。这种根据经验知识对故障所作出的概率估计称为先验概率。记
基于人工神经网络的故障诊断算法研究
基于人工神经网络的故障诊断算法研究一、引言故障诊断在生产和工程领域中具有很重要的意义，能够及时发现故障并解决问题，提高工作效率、质量和可靠性。
近年来，随着人工智能技术的发展，基于人工神经网络的故障诊断算法在某些领域得到广泛应用，并取得了一定的成果。
本文将探讨基于人工神经网络的故障诊断算法的研究现状和应用前景。
二、人工神经网络概述人工神经网络是一种以模拟人类神经系统为理论基础的计算模型，其结构和功能与生物神经元相似，可以解决类似于模式识别、分类、数据预测等问题。
人工神经网络的基本要素包括神经元、突触、权值等。
神经元是神经网络的基本单元，其接收输入信号并通过一定的运算得出输出信号。
突触是神经元与神经元之间的连接，通过突触将神经元的输出信号传递给下一层神经元。
权值是突触连接强度的衡量指标，决定了信号是否能够有效传递。
人工神经网络按照网络结构可分为单层前馈神经网络、多层前馈神经网络、循环神经网络等。
其中，多层前馈神经网络（MLP）是最常用的一种类型，主要由输入层、隐层和输出层组成，具有较好的解决非线性问题的能力和较高的预测准确率。
三、基于人工神经网络的故障诊断算法研究在工业生产和工程领域中，故障诊断是一项非常重要的任务。
传统的故障诊断算法通常基于规则、统计或模型等方法，但其对于复杂系统和非线性问题的诊断效果有限。
近年来，基于人工神经网络的故障诊断算法逐渐成为研究热点。
其通过对系统的输入和输出进行学习，建立模型并进行分类预测，实现对故障进行准确诊断的目的。
基于人工神经网络的故障诊断算法的研究主要有以下几个方向：1、基于监督式学习的故障诊断算法此类算法主要通过训练样本对神经网络进行学习，建立神经网络模型并对故障进行分类诊断。
常用的监督式学习算法包括BP神经网络、RBF神经网络、SVM等。
其中，BP神经网络是最常用的一种算法，其通过反向传播算法对神经网络进行训练和调整权值，通过输出误差最小化的方式提高诊断准确率。
电力系统故障诊断中的故障特征提取与分类算法使用方法
电力系统故障诊断中的故障特征提取与分类算法使用方法引言电力系统是现代社会运行的重要基础设施之一。
然而，由于各种原因，电力系统也会遭遇各种故障。
快速准确地诊断故障并采取适当措施是确保电力系统安全运行的关键。
在电力系统故障诊断中，故障特征提取与分类算法起着至关重要的作用。
本文将介绍故障特征提取与分类算法的使用方法，旨在帮助电力系统工程师提高故障诊断的效率与准确度。
故障特征提取方法在电力系统故障诊断中，故障特征提取是获取故障信息的关键步骤。
以下介绍几种常用的故障特征提取方法：1. 统计特征提取：统计特征提取是基于信号的统计性质来描述故障的特征。
常用的统计特征包括均值、方差、峰值、波形因子等。
统计特征提取方法简单易实现，可以很好地反映故障信号的变化情况。
2. 频域特征提取：频域特征提取是通过对故障信号进行傅里叶变换或小波变换，将信号转换到频域进行分析。
常用的频域特征包括能量谱密度、频率分布等。
频域特征提取能够提取故障信号的频率信息，对于识别周期性故障非常有效。
3. 小波包特征提取：小波包特征提取是一种通过小波包变换提取故障信号特征的方法。
小波包变换将信号分解成多个子带，可以更好地捕捉故障信号的时频信息。
小波包特征提取方法具有较高的精度和鲁棒性，在电力系统故障诊断中得到了广泛应用。
故障分类算法故障特征提取完后，接下来需要对提取到的特征进行分类，以准确识别故障类型。
以下是几种常用的故障分类算法：1. 支持向量机 (SVM)：SVM是一种机器学习算法，可以用于二分类和多分类问题。
SVM通过在特征空间中找到一个最优的超平面来进行分类。
在故障诊断中，SVM能够根据提取到的特征，将故障信号划分到不同的故障类型，具有较高的准确率和鲁棒性。
2. 人工神经网络 (ANN)：ANN是一种模仿生物神经系统功能的计算模型，也可以用于故障分类。
ANN通过模拟人脑神经元的相互连接，实现对故障信号的非线性建模和分类。
ANN具有较强的自适应性和泛化能力，能够很好地处理非线性问题。
电力系统中的故障诊断算法分析与对比
电力系统中的故障诊断算法分析与对比电力系统是现代社会不可或缺的重要基础设施之一，而其中的故障诊断问题一直以来都是电力系统运维人员关注的焦点。
随着电力系统规模的不断扩大和技术的不断发展，故障诊断算法也在不断进步和演化。
本文将对电力系统中的故障诊断算法进行分析与对比。
首先，我们来介绍一下电力系统中常见的故障类型。
电力系统故障主要分为短路故障和断线故障两种。
短路故障是指两个或多个电网元件之间发生不正常的接触，会导致电流异常增大，甚至引发火灾等严重后果。
断线故障是指电网中某个电网元件与其他元件之间的连接中断，会导致某个区域的电力供应中断，影响用户正常用电。
因此，对于电力系统故障的准确诊断和快速处理是至关重要的。
在电力系统中，常用的故障诊断算法有基于规则和基于模型两类。
基于规则的故障诊断算法是根据事先定义的规则和经验知识对故障进行判断和诊断。
这种算法的优点是简单直观，易于实施，并且不需要大量的训练数据。
但它的缺点也很明显，即对于复杂的故障情况和未知的故障类型无法进行准确的诊断。
相比之下，基于模型的故障诊断算法是利用电力系统的数学模型和计算机仿真技术来对故障进行识别和定位。
这种算法通常可以通过机器学习的方法对大量的训练数据进行学习和智能化处理，能够处理复杂的故障情况，并且具备一定的泛化能力。
但它的缺点是算法的设计和实施比较复杂，需要大量的数据和计算资源。
目前，基于模型的故障诊断算法在电力系统中得到了广泛的应用。
其中比较经典的算法包括基于人工神经网络(ANN)的故障诊断算法、基于支持向量机(SVM)的故障诊断算法以及基于深度学习的故障诊断算法等。
人工神经网络是一种模拟人脑神经元网络结构的计算模型，它可以通过对训练数据的学习和训练来实现故障的诊断和判断。
人工神经网络在电力系统中的故障诊断方面有着广泛的应用。
通过对电力系统运行数据的输入和训练，人工神经网络可以对电力系统中的故障进行准确的判断和诊断。
然而，人工神经网络也存在一些缺陷，如网络结构的选择比较困难、训练数据的选取和处理需要一定的经验等。
基于人工神经网络的故障诊断及预测研究
基于人工神经网络的故障诊断及预测研究人工智能技术在当前的工业领域中发挥着越来越重要的角色。
其中，基于人工神经网络的故障诊断和预测系统是近年来备受关注的研究方向。
本文将探讨人工神经网络在故障诊断和预测中的应用，并介绍一些相关的研究成果。
一、人工神经网络简介人工神经网络（Artificial Neural Network，ANN）是由多个神经元相互连接组成的一种计算模型。
每个神经元接收若干个输入信号，并进行加权和运算，最后通过一个激活函数输出一个结果。
整个神经元网络的输出结果可以被看作是一组复杂的非线性函数。
利用神经元网络可以对于一些复杂的非线性问题进行高效的计算和处理，如图像识别、语音识别、自然语言处理等。
二、基于人工神经网络的故障诊断与预测1. 故障诊断现代工业设备中存在大量的故障现象，如设备部件失灵、磨损、老化等。
利用基于人工神经网络的故障诊断方法，可以快速准确地检测出故障，并及时采取措施进行修复。
例如，针对某厂家的一个工业设备，可以采集其运行过程中各个传感器的数据，通过构建神经元网络对数据进行训练，识别出不同情况下的设备故障类型。
这样，工作人员就能够快速了解故障的发生和位置，并得出正确的维修方案。
2. 故障预测基于人工神经网络的故障预测可以帮助企业在故障发生之前采取预防性措施，从而提高设备的可靠性和稳定性。
例如，对于一个制造业公司生产的设备，可以通过采集设备运行过程中的各种参数数据，包括温度、电流、振动等多个指标。
通过对这些数据进行处理和分析，可以构建一个基于神经元网络的故障预测模型。
一旦监测到预定故障的预警信号，管理人员可以采取相应的预防措施，避免设备出现故障导致生产停滞。
三、相关研究成果1. 基于神经元网络的故障诊断研究研究者针对某型号机床的故障模式和故障特征进行分析，提出了一种基于多层感知机（Multi-Layer Perceptron，MLP）的故障诊断模型。
该模型可以实现对机床各个部件故障类型的精确识别。
第十次课 人工神经网络故障诊断方法
P ( (dsx osz ) )
2 s x
P ( (dsz Osz ) )
2 s z
s 为全部训练样本输入的记号（序号）
z 为全部输出节点的记号（序号） dsz 为训练样本 s 对应于输出神经元 z 的期望输出 Osz 为训练样本 s 对应于输出神经元 z 的实际输出
输出层神经元求和
到今天经过了不断的改进和完善。
在人工神经元模型中：
用权值和乘法器模拟突触特性 用加法器模拟树突的互联作用 用与阈值比较来模拟细胞体内电化学作用产生
的开关特性
人工神经元模型
n 个输入 xi R ( i=1,…,n )，是其它神经元的输出 值，其中 n 是输入（信号）的数目（即与其相连 的其他神经元的个数） n 个连接权系数（权值） w j i R ( i=1,…,n )，相 当于突触的连接强度（对于激发状态取正值，对 于抑制状态取负值）
P ( (dsz Osz ) )
2 s z
所有样本求和
对于一个训练输入样本，求出输出层每一个神经 元的实际输出，计算实际输出与期望输出的差的
平方，然后对输出层的所有输出神经元求和，再
对所有训练求和。
目标函数的含义：
所有样本在所有输出层神经元上的实际输出与 期望输出的误差平方和。
先推导单样本的梯度计算公式，这样可以去掉目标
y j (t ) f ( w ji xi j )
i 1
n
公式表示上的简化
令w j 0 = -θj ，并记 w j = (wj 0, wj 1, …, wj n)T 则有 yj = f ( w j T x ) 注意：有些神经元可能不包含阈值 x = ( 1, x1, …, xn )T
- 1、下载文档前请自行甄别文档内容的完整性，平台不提供额外的编辑、内容补充、找答案等附加服务。
- 2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
- 3、如文档侵犯您的权益，请联系客服反馈,我们会尽快为您处理(人工客服工作时间：9:00-18:30)。
其中，是学习因子。 BP算法应用的不是基本的δ学习，而是一种扩展的δ学习规则。 但是对于所有的δ学习规则而言，某神经元的权值修正量都正 比于该神经元的输出误差和输入。 BP算法输出层对误差调整为f’(net)(y-o)。
23
隐藏层权的调整
1k
wp1
ANh AN1
…
qk
ANq
whp
pk-1
神经元的网络输入： neti=x1w1i+x2w2i+…+xnwni 神经元的输出（s型函数）： O=f(net)=1/(1+exp(-net)) f ’(net)= exp(-net)/(1+exp(-net))2=O-O2=O(1-O)
20
网络的构成
BP算法基本思想
样本集：S={(X1,Y1),(X2,Y2),…,(Xs,Ys)} 逐一根据样本集中的样本(Xk,Yk)计算出实际输出Ok及其误差E1， 然后对各层神经元的权值W(1)，W(2)，…，W(L)各做一次调整， 重复这个循环，直到∑Ep<ε（所有样本的误差之和）。 用输出层的误差调整输出层权矩阵，并用此误差估计输出层的 直接前导层的误差，再用输出层前导层误差估计更前一层的误 差。如此获得所有其它各层的误差估计，并用这些估计实现对 权矩阵的修改。形成将输出端表现出的误差沿着与输入信号相 反的方向逐级向输入端传递的过程。
4Leabharlann 4.1.1 人工神经网络研究的进展
萌芽期（20世纪40年代）
1943年，心理学家McCulloch和数学家Pitts建立起了著名的阈值加 权和模型，简称为M-P模型。发表于数学生物物理学会刊《Bulletin of Methematical Biophysics》。 1949年，心理学家D. O.Hebb提出神经元之间突触联系是可变的假 说——Hebb学习律。
（2）按极小化误差的方式调整权矩阵。
1 m （3）网络关于第p个样本的误差测度： E p ( y pj O pj ) 2 j 1 （4）网络关于整个样本集的误差测度： E E p
p
22
输出层权的调整
ANp
wpq wpq
第L-1层 第L层
ANq
w pq w pq w pq w pq q O p f n' (netq )( y q Oq )O p Oq (1 Oq ) ( y q Oq )O p
神经网络的学习可分为有教师学习与无教师学习两类。 由于其运算的不精确性，表现成“去噪音、容残缺”的能力，利用 这种不精确性，比较自然地实现模式的自动分类。具有很强的普化 （Generalization）能力与抽象能力。 具有一般非线性动力系统的共性，即不可预测性、耗散性、高维性、 不可逆性、广泛连接性和自适应性等等。
输出层
19
输入向量、输出向量的维数、网络隐藏层的层数和各个隐藏 层神经元的个数的决定了网络拓扑 增加隐藏层的层数和隐藏层神经元个数不一定总能够提高网 络精度和表达能力。 BP网一般都选用二级（3层）网络。因为可以证明如果BP网络 中隐层单元可以根据需要自由设定，那么一个三层网络可以 实现以任意精度近似任意连续函数。
10
函数 f( _ )表达了神经元的输入输出特性。 往往采用0和1二
值函数或Ｓ形函数。 一种二值函数可由下式表示：
1, yi 0,
其图像如图所示。
ui 0 ui 0
如果把阈值θi看作为一个特殊的权值，则可改写为:
yi f ( w ji x j )
j 0
n
其中，w0i＝-θi，x0＝1
11
为用连续型的函数表达神经元的非线性变换能力，常采 用s型函数，如下图所示。
f(ui) 1
0
ui
-1
1 f (ui ) 1 eui
e ui e ui f ( u i ) ui e e ui
其中，第一个函数为常规的s型函数，其输出均为正值； 第二个函数为双曲正切函数，其输出值可为正或负 。
14
（2）前馈网络
前馈网络具有递阶分层结构，由一些同层神经元间不存在 互连的层级组成。从输入层至输出层的信号通过单向连接流通； 神经元从一层连接至下一层，不存在同层神经元间的连接，如图 所示。 图中，实线指明实际 信号流通而虚线表示反向 传播。前馈网络例子有多 层感知器(MLP)、学习矢 量量化(LVQ)网络、小脑模 型联接控制(CMAC)网络和 数据处理方法(GMDH)网 络等。
7
再认识与应用（1991~）
人工神经网络的特点
具有大规模并行协同处理能力。
每一个神经元的功能和结构都很简单，但是由大量神经元构成的整 体却具有很强的处理能力。
具有较强的容错能力和联想能力。
单个神经元或者连接对网络整体功能的影响都比较微小。 在神经网络中，信息的存储与处理是合二为一的。信息的分布存储 提供容错功能–由于信息被分布存放在几乎整个网络中。所以当其 中的某一个点或者某几个点被破坏时信息仍然可以被存取。
16
（２）无师学习 无师学习算法不需要知道期望输出。在训练过程中， 只要向神经网络提供输入模式，神经网络就能够自动地适 应连接权，以便按相似特征把输入模式分组聚集。无师学 习算法的例子包括Kohonen算法和Carpenter-Grossberg自适 应谐振理论（ART)等。 （３）强化学习 如前所述，强化（增强）学习是有师学习的特例。它 不需要老师给出目标输出。强化学习算法采用一个“评论 员”来评价与给定输入相对应的神经网络输出的优度（质 量因数）。强化学习算法的一个例子是遗传算法（GA）。
17
4.1.3 人工神经网的典型模型及其算法
迄今为止，已经开发和应用了30多种人工神经网络模型。 在这里，我们对一些典型网络模型及其算法进行介绍。
1、反向传播(BP)模型 2、 Hopfield网络（自学） 3、自适应共振理论(ART)模型（自学）
18
1、反向传播(BP)模型
网络拓扑结构
输入层
隐藏层
元及其互连方法决定的。
x1
xn
j
wj1 ： ： wjn
f(_)
yj
如图所示，神经元单元由多个输入xi，i=1,2,...,n和一个输出y 组成。中间状态由输入信号的权和表示，而输出为：
y j (t ) f ( wij xi j )
i 1 n
式中，j为神经元单元的偏置（阈值），wji为连接权系数 （对于激发状态，取正值，对于抑制状态，取负值），n为输入 信号数目， yj为神经元输出，t为时间，f(＿)为输出变换函数。
在线监测与故障诊断
Online Monitoring and Fault Diagnosis
倪建军 博士 河海大学常州校区
1
第四章 常用故障诊断算法 The algorithms of fault diagnosis
2
本章主要内容及重要知识点
主要内容：
专家系统
人工神经网络
支持向量机 模糊推理
的情况，此函数的形式为：
f i ( w ji x j i )
j 1 n
13
人工神经网络的结构基本上分为两类：递归（反馈） 网络和前馈网络。
（１）递归网络
在递归网络中，多个神经元互 连以组织一个互连神经网络，如图 所示。有些神经元的输出被反馈至 同层或前层神经元。因此，信号能 够从正向和反向流通。Hopfield网 络，Elmman网络和Jordan网络是递 归网络有代表性的例子。递归网络 又叫做反馈网络。
ANp
wpq
wpm
…
qm
ANm
第k-2层
第k-1层
第k层
24
隐藏层权的调整
δpk-1的值和δ1k，δ2k，…，δmk有关。不妨认为δpk-1 ： 通过权wp1对δ1k做出贡献， 通过权wp2对δ2k做出贡献，
以Marvin Minsky，Frank Rosenblatt，Bernard Widrow等为代表人 物，代表作是单级感知器（Perceptron）。可用电子线路模拟。人 们乐观地认为几乎已经找到了智能的关键。许多部门都开始大批地 投入此项研究，希望尽快占领制高点。 “异或”运算不可表示。 二十世纪70年代和80年代早期的研究结果。 认识规律：认识——实践——再认识
2）1984年，J.Hopfield设计研制了后来被人们称为Hopfield 网的电路。较好地解决了著名的TSP问题，找到了最佳解的 近似解，引起了较大的轰动。 3）1985年，UCSD的Hinton、Sejnowsky、Rumelhart等人所 在的并行分布处理（PDP）小组的研究者在Hopfield网络中 引入了随机机制，提出所谓的Boltzmann机。
15
3、人工神经网络的主要学习算法
神经网络主要通过指导式（有师）学习算法和非指导 式（无师）学习算法。此外，还存在第三种学习算法，即 强化学习算法；可把它看做有师学习的一种特例。
（1）有师学习
有师学习算法能够根据期望的和实际的网络输出（对 应于给定输入）间的差来调整神经元间连接的强度或权。 因此，有师学习需要有个老师或导师来提供期望或目标输 出信号。有师学习算法的例子包括Delta规则、广义Delta规 则或反向传播算法以及LVQ算法等。
8
具有较强的学习能力。
是大规模自组织、自适应的非线性动力系统。
物理符号系统和人工神经网络系统的差别 项目 处理方式 执行方式 动作 存储 物理符号系统 逻辑运算 串行 离散 局部集中 人工神经网络 模拟运算 并行 连续 全局分布