[科普中国]-自联想神经网络

简介

人工神经网络（Artificial Neural Network，即ANN ），是20世纪80 年代以来人工智能领域兴起的研究热点。它从信息处理角度对人脑神经元网络进行抽象， 建立某种简单模型，按不同的连接方式组成不同的网络。在工程与学术界也常直接简称为神经网络或类神经网络。神经网络是一种运算模型，由大量的节点（或称神经元）之间相互联接构成。每个节点代表一种特定的输出函数，称为激励函数（activation function）。每两个节点间的连接都代表一个对于通过该连接信号的加权值，称之为权重，这相当于人工神经网络的记忆。网络的输出则依网络的连接方式，权重值和激励函数的不同而不同。而网络自身通常都是对自然界某种算法或者函数的逼近，也可能是对一种逻辑策略的表达。1

自联想神经网络是在 1987 年由 Ballard 针对编码/解码问题首先提出的，其网络原型是一种具有对称拓扑结构的五层前馈传递网络，AANN 应用到数据检验问题时具有比较明显的物理意义，首先通过输入层、映射层以及瓶颈层实现了输入数据信息的压缩。从网络输入的高维参数空间中提取了反映系统结构的最具代表性的低维子空间，同时有效地滤去了测量数据中的噪声和测量误差，再通过瓶颈层、解映射层和输出层实现数据的解压缩，将前面压缩的信息还原到各个参数值，从而实现各测量数据的重构。

为了达到信息压缩的目的，AANN网络瓶颈层节点数目明显小于输入层，又为了防止形成输入输出之间的简单单一映射，除了输出层激励函数采用线形函数外，其它各层均采用非线形的激励函数。2

自联想神经网络的结构AANN结构包括一个输入层,一定数量的隐含层和一个输出层。

隐含层第一层叫作映射层。映射层的节点传递函数可能是S型函数也可能是其他类似的非线性函数。隐含层第二层叫做瓶颈层。瓶颈层的维数是网络中最小的(它的传递函数可能是线性的或者是非线性) 。瓶颈层避免了那种很容易实现的一对一的输出和输入相等的映射关系,它使网络对信号进行编码和压缩得到输入传感器数据的相关模型,并在瓶颈层后进行解码和解压缩以产生输入信号的估计值。隐含层第三层或最后一层叫做解映射层,解映射层的节点传递函数是非线性的(通常是S型函数)。

应用自联想神经网络用于故障诊断AANN找出参数之间的相互关系 ,这些参数之间在一定程度上都存在着相互联系。AANN的输入是实际系统中测量得来的数据。AANN就是通过大量的训练样本,让输入和输出尽可能的相等。因此,当正确的数据输入到AANN中,网络的输出将和输入是相等的,它们的误差理想为0。从另一方面讲,如果数据是错误的(可能是一个或者多个输入数据被破坏) ,那么,输入和输出之间的误差将不为0。因此,通过这种方法可以判断1个或多个传感器是否发生故障。

自联想神经网络用于测量数据自校正检验20 世纪 90 年代以来，以 DCS（集散控制系统）为代表的现代化自动控制系统在火电机组中得到了普遍应用，数以千计的传感器数据提供了大量反映电站设备运行状态的信息。但是由于传感器的故障、漂移和各种干扰的存在使得测量数据中可能会产生一些不良值，从而使基于这些数据开发的系统性能下降，甚至造成系统无法工作。对测量数据中不良值的检验已经引起了国内外学者的重视。

测量数据优化估计值的求取是不良数据检验问题的关键，当前有如下几种求取方法：基于硬件冗余的互判法，该方法简单实用，但是要增加相应的硬件投入，只能适用于对一些关键参数的测量，而且当冗余传感器的数目较少时不能准确定位故障传感器；基于采样数据的时间序列关系的 AR、ARMA 以及 Kalman 等时间序列预测模型，但它们对过程数据的突变会产生误判，同时其模型参数要求大采样，实际过程常常不能满足；带时间窗的新陈代谢方法，采用有限样本进行预测，避免了大采样的要求，但该方法只能对不良数据进行质疑，不能完全检验，同时不能实现纠错的目的；基于机理模型，采用解析冗余技术进行参数预测，但是这要求有足够精确的机理模型，同时对于非线性复杂系统模型计算量大，有时不能满足实时的要求。

这里给出了基于自联想神经网络AANN(Auto-associate Neural Networks)的不良数据自校正检验方法，利用 AANN 进行过程参数间的主要特征识别与相关估计，采用参数预测模型并通过残差决策逻辑实现网络输入数据的选择，有效地避免“野点”引起的“残差污染”问题，以便正确估计测量参数。

基于 AANN 网络的自校正数据检验方法，通过对神经网络输入数据的处理与选择，提高了神经网络方法在线应用的准确率，避免了数据检验时出现的“残差污染”，从而对测量数据中不良值进行正确检测与定位，同时能够对不良数据进行正确的重构与估计。2