论文部分内容阅读
（辽宁大学，辽宁 沈阳 110036）
【摘要】：在模式识别系统中，特征量的选择与组合优化都是通过设计模式识别系统进行操作，只有这样才能将人工神经网络特征体现出来，影响分类器的设计与性能。人工神经网络系统不仅仅可以在模式识别中作为分类器，同时还能将人工神经网络系统中的特征参数体现出来，从而满足有机故障特征提取与优化的需求。基于此，本文对人工神经网络特征优化方法在模式识别中的应用进行了简单的研究。
【关键词】：人工神经网络特征；优化方法；模式识别；应用
前言：随着社会不断的发展，我国科学技术水平逐渐提升，各个类型的设备、结构都在通过日益复杂的形式展现出来，但是这些设备在运行期间常因为多种原因导致出现故障问题，这对人们的使用安全来说造成了很大的影响。而人工神经网络的出现可以有效的对设备中的故障问题进行测量分析，了解设备的主要特征，并为其制定有效的解决对策，只有这样才能保证设备可以正常的运行下去，提升设备在运行时的安全性与可靠性。
一、人工神经网络特征提取方法
（一）特征提取概述
随着社会不断的发展，我国科学技术水平逐渐提高，人工神经网络发展迅速，涉及应用范围逐渐扩大。人工神经网络在模式识别中的应用会通过特征提取的形式将人工提取的形式进行变换，并将神经网络中的特征有效性体现出来，只有这样才能满足特征提取时的需求[1]。在对神经网络进行特征提取时可以从整个神经网络中获取其中有代表性的特征，并做好原始数据信息的识别工作。如果整个系统中的数据量较大，那么需要根据数据信息的类型制定出对应的数据提取器，并以原有的数据特征为基础进行处理，做好空间加工处理的优化工程，从而保持原有空间特征。
对于一些复杂的机械发动机来说，在对其特征处理时，首先要做好故障的诊断工作，并将数据进行复杂系统识别，只有这样才能将整个发动机中的特殊空间通过全新的形式展现出来，从而了解其中的主要特征。
（二）人工神经网络特征提前原理
在特征提取过程中，还应该做好神经网络的距离的测量工作，了解整个网络系统的可辨率，并通过K-L变换的形式进行度量，只有这样才能保证整个网络系统在度量时的准确性，实现人工神经网络系统在运行时的降维映射[2]。一般来说，在特征提取时可以通过一些具有非线性的映射能力的提取器进行操作，只有这样才能更好的将整个神经网络中的特征、特点体现出来，从而满足其在模式识别中运行的需求。比如说，将整个神经网络的隐层的输出设置为（i=1，2）那么就可以通过该次序进行排列，得出n （三）基于神经网络特征提取步骤
通过人工神经网络特征的形式进行特征提取那么就可以通过以下几点进行：（1）将神经网络系统中的数据信息进行规划，并做好原始特征数值的规划处理工作；（2）通过BP网络的模型对神经网络系统中的数值进行分析，得出完整的数值单元，从而保证神经网络的处理工作可以顺利进行下去[3]。另外，在开展数值处理工作时还可以通过输入单元层的形式进行，将其中的单元数值体现出来，从而保证人工神经网络特征的提取工作可以顺利进行下去；（4）通过BP网络对所提取出来的数值进行全方面判断，找出其中存在的不不足，并为其制定有效的解决对策，从而保证数值特征的稳定性。
二、柴油机故障信号特征提取优化
（一）故障信号采集
当12150L柴油机在运行时出现故障问题，那么就需要做好柴油机运行现状的分析工作，找出柴油机在运行时出现的故障问题，并为其制定有效的解决对策，从而保证柴油机可以在正常的情况下喷射油管真震动信号。另外，工作人员还应该做好柴油机运行现状的分析工作，了解柴油机的相关信号数值，并做好数值的分析工作。
（二）数据信号的均值化处理
如果柴油机在运行期间出现故障问题，那么可以通过特征向量的形式进行处理，只有这样才将柴油机中的量纲数量体现出来，并根据所得结果制定对应的解决方案，做好所得结果的处理工作，减少不利影响的现象发生，保证神经网络系统的特征提取工作可以顺利进行下去[4]。
三、人工神经网络优化后的特征向量的特征空间的距离分析
人工神经网络特征在模式识别中的应用可以有效的将神经网络系统中的向量特征体现出来，提升整个神经网络的模式识别效果，并做好所得结果的分析工作，只有这样才能获取准确的空间距离，从而保证人工神经网络特征的提取工作可以顺利进行下去。在对向量特征空间距离分析时可以通过以下的公式进行：A=（a1，a2，...，an），B=（b1，b2，....，bn）那么整个距离为d（AB）={A（a1）-B（b1）}2。通过该方法的计算可以有效的将神经网络系统中的故障特征体现出来，并根据这一故障特征制定出对应的解决方法，缩小而这之间的數值，优化整个系统，并将系统中的向量特征体现出来[5]。
总结：随着社会不断的发展，我国科学技术水平逐渐提升，人工神经网络特征优化方法不断创新、完善，并在模式识别中得到了广泛的应用。人工神经网络特征在模式识别中的应用可以有效的将其中的特征量体现出来，并将其组合优化，只有这样才能将分类器中的设计性能体现出来。
参考文献：
[1]周飞燕，金林鹏，董军.卷积神经网络研究综述[J].计算机学报，2017：1-23.
[2]沈长青.旋转机械设备关键部件故障诊断与预测方法研究[D].中国科学技术大学，2014.
[3]陈侃.基于多模型决策融合的刀具磨损状态监测系统关键技术研究[D].西南交通大学，2012.
[4]郑伟.基于分数傅里叶变换的光学神经网络全光型模式识别系统[D].山西师范大学，2012.
[5]闫嘉.基于电子鼻技术的人体伤口感染检测系统构建及算法研究[D].重庆大学，2012.
【摘要】：在模式识别系统中，特征量的选择与组合优化都是通过设计模式识别系统进行操作，只有这样才能将人工神经网络特征体现出来，影响分类器的设计与性能。人工神经网络系统不仅仅可以在模式识别中作为分类器，同时还能将人工神经网络系统中的特征参数体现出来，从而满足有机故障特征提取与优化的需求。基于此，本文对人工神经网络特征优化方法在模式识别中的应用进行了简单的研究。
【关键词】：人工神经网络特征；优化方法；模式识别；应用
前言：随着社会不断的发展，我国科学技术水平逐渐提升，各个类型的设备、结构都在通过日益复杂的形式展现出来，但是这些设备在运行期间常因为多种原因导致出现故障问题，这对人们的使用安全来说造成了很大的影响。而人工神经网络的出现可以有效的对设备中的故障问题进行测量分析，了解设备的主要特征，并为其制定有效的解决对策，只有这样才能保证设备可以正常的运行下去，提升设备在运行时的安全性与可靠性。
一、人工神经网络特征提取方法
（一）特征提取概述
随着社会不断的发展，我国科学技术水平逐渐提高，人工神经网络发展迅速，涉及应用范围逐渐扩大。人工神经网络在模式识别中的应用会通过特征提取的形式将人工提取的形式进行变换，并将神经网络中的特征有效性体现出来，只有这样才能满足特征提取时的需求[1]。在对神经网络进行特征提取时可以从整个神经网络中获取其中有代表性的特征，并做好原始数据信息的识别工作。如果整个系统中的数据量较大，那么需要根据数据信息的类型制定出对应的数据提取器，并以原有的数据特征为基础进行处理，做好空间加工处理的优化工程，从而保持原有空间特征。
对于一些复杂的机械发动机来说，在对其特征处理时，首先要做好故障的诊断工作，并将数据进行复杂系统识别，只有这样才能将整个发动机中的特殊空间通过全新的形式展现出来，从而了解其中的主要特征。
（二）人工神经网络特征提前原理
在特征提取过程中，还应该做好神经网络的距离的测量工作，了解整个网络系统的可辨率，并通过K-L变换的形式进行度量，只有这样才能保证整个网络系统在度量时的准确性，实现人工神经网络系统在运行时的降维映射[2]。一般来说，在特征提取时可以通过一些具有非线性的映射能力的提取器进行操作，只有这样才能更好的将整个神经网络中的特征、特点体现出来，从而满足其在模式识别中运行的需求。比如说，将整个神经网络的隐层的输出设置为（i=1，2）那么就可以通过该次序进行排列，得出n
通过人工神经网络特征的形式进行特征提取那么就可以通过以下几点进行：（1）将神经网络系统中的数据信息进行规划，并做好原始特征数值的规划处理工作；（2）通过BP网络的模型对神经网络系统中的数值进行分析，得出完整的数值单元，从而保证神经网络的处理工作可以顺利进行下去[3]。另外，在开展数值处理工作时还可以通过输入单元层的形式进行，将其中的单元数值体现出来，从而保证人工神经网络特征的提取工作可以顺利进行下去；（4）通过BP网络对所提取出来的数值进行全方面判断，找出其中存在的不不足，并为其制定有效的解决对策，从而保证数值特征的稳定性。
二、柴油机故障信号特征提取优化
（一）故障信号采集
当12150L柴油机在运行时出现故障问题，那么就需要做好柴油机运行现状的分析工作，找出柴油机在运行时出现的故障问题，并为其制定有效的解决对策，从而保证柴油机可以在正常的情况下喷射油管真震动信号。另外，工作人员还应该做好柴油机运行现状的分析工作，了解柴油机的相关信号数值，并做好数值的分析工作。
（二）数据信号的均值化处理
如果柴油机在运行期间出现故障问题，那么可以通过特征向量的形式进行处理，只有这样才将柴油机中的量纲数量体现出来，并根据所得结果制定对应的解决方案，做好所得结果的处理工作，减少不利影响的现象发生，保证神经网络系统的特征提取工作可以顺利进行下去[4]。
三、人工神经网络优化后的特征向量的特征空间的距离分析
人工神经网络特征在模式识别中的应用可以有效的将神经网络系统中的向量特征体现出来，提升整个神经网络的模式识别效果，并做好所得结果的分析工作，只有这样才能获取准确的空间距离，从而保证人工神经网络特征的提取工作可以顺利进行下去。在对向量特征空间距离分析时可以通过以下的公式进行：A=（a1，a2，...，an），B=（b1，b2，....，bn）那么整个距离为d（AB）={A（a1）-B（b1）}2。通过该方法的计算可以有效的将神经网络系统中的故障特征体现出来，并根据这一故障特征制定出对应的解决方法，缩小而这之间的數值，优化整个系统，并将系统中的向量特征体现出来[5]。
总结：随着社会不断的发展，我国科学技术水平逐渐提升，人工神经网络特征优化方法不断创新、完善，并在模式识别中得到了广泛的应用。人工神经网络特征在模式识别中的应用可以有效的将其中的特征量体现出来，并将其组合优化，只有这样才能将分类器中的设计性能体现出来。
参考文献：
[1]周飞燕，金林鹏，董军.卷积神经网络研究综述[J].计算机学报，2017：1-23.
[2]沈长青.旋转机械设备关键部件故障诊断与预测方法研究[D].中国科学技术大学，2014.
[3]陈侃.基于多模型决策融合的刀具磨损状态监测系统关键技术研究[D].西南交通大学，2012.
[4]郑伟.基于分数傅里叶变换的光学神经网络全光型模式识别系统[D].山西师范大学，2012.
[5]闫嘉.基于电子鼻技术的人体伤口感染检测系统构建及算法研究[D].重庆大学，2012.