3—
—閥值。當活化度超過規(guī)定的閥值時，’(輸出一個與活化度相對應的信號，否則 ’(不輸出。 ’(的輸出被通到下一層的 ’(的輸入路徑上，再重復這三步的流程。
神經(jīng)網(wǎng)絡是由許多排列在層中的互相聯(lián)系的 ’(4組成的。在圖 5—67示出的網(wǎng)絡中有三層：輸入、隱藏和輸出。外部數(shù)據(jù)通過輸入層提供給網(wǎng)絡，網(wǎng)絡對輸人數(shù)據(jù)的響應在神經(jīng)網(wǎng)絡的輸出層中給出。當數(shù)據(jù)通過它到達輸出層時，隱藏層修改并提煉數(shù)據(jù)。
在神經(jīng)網(wǎng)絡的訓練中，有兩個主要階段：學習和回憶。在學習階段，’(互聯(lián)上的重量被修改，以響應神經(jīng)網(wǎng)絡的外部輸入。網(wǎng)絡回憶是指網(wǎng)絡如何處理給出的輸入和產(chǎn)生輸出。神經(jīng)網(wǎng)絡訓練有三種方式：檢測、分類和非檢測訓練。在檢測訓練中，為網(wǎng)絡提供一種輸入模式以及被期望的輸出。學習規(guī)則算法隨后計算出一個誤差，即期望輸出值與實際輸出值之差。采用該誤差來修改網(wǎng)絡互聯(lián)上的重量。一般采用三角學習規(guī)則，這是一種自適應傾斜下降的算法，其計算中，互聯(lián)重量沿一個方向修改，以減少實際的和期望的 ’(輸出值的誤差。
互聯(lián)重量的改變可由下式?jīng)Q定：
(/［ 8, 4］ 9:; •［ 84］•.［ 84］ &<•(/［= %+］8,
式中，［4］8 ———4層中 ’(8處誤差的數(shù)值；
.［4］—
—4層中的 ’(的消當前輸出；
8
(/［= %+］8, —
—從第 4 %+層的互聯(lián)連接點 ’(,到第 4層的 ’(8的重量變化；互聯(lián)重量用學習速率或?qū)W習系數(shù) 9:;來更新，同時還有動量夕，動量用于幫助消除重量變化。通常，采用的學習速率和動量分別為 -> ?和 -> 5。
神經(jīng)網(wǎng)絡應用后向分布技術來訓練。后向分布假定所有的 ’(和互聯(lián)對誤差負有均等的責任，并通過分布從輸出層向后由所有的連接和 ’(到達輸入層的誤差來進行調(diào)節(jié)。雙曲正切傳輸?shù)恼`差分布方程如下：
［ 84］ （+>-&.［ 84］）•（+>-%.［ 84］）•（［ @8 = &+］/［ @8= &+］）
@
式中，［4］—
—第 4層中 ’(8中誤差的測量值；
8
•+7A6•
［"］—
—第 "層中 %的當前輸出；
&［’ ()］—
—第 " ()層中 *的誤差測量值；
*%
+［ ’ ()］———第 "層中連接 %到第 " ()層中的 *的重量。
*%
采用 ,&-./01/.&軟件建立、訓練和測試神經(jīng)網(wǎng)絡。在輸入層和輸出層處理單元的數(shù)量取決于輸入、輸出參數(shù)的多少。例如，初期研究中輸入層 2個 ，部件溫度、推力、耗油率各一個；輸出層有 3個 ，各部件效率上有一個。在進一步研究中，輸入層有 4個 ，給定時間 5，高、低壓軸轉(zhuǎn)速和前、后傳感器的振動值，輸出層有兩個 ，后一時間點（6( (5）時的前、后振動值。隱藏層的數(shù)目和一個隱藏層內(nèi)出現(xiàn)單元數(shù)取決于反復試驗和摸索。兩階段研究中均采用一個帶有 67個處理單元的隱藏層。
68結果和分析
（)）模擬發(fā)動機數(shù)據(jù)
發(fā)動機工作狀態(tài)按高壓轉(zhuǎn)速為 9837 :98;<范圍；發(fā)動機質(zhì)量流量為 248 ;*= > ’；壓氣機壓比范圍為 )989 :)689；燃燒室總壓恢復系數(shù)為 9827 :)89；擴壓器總壓力損失范圍為 98 ?7 :)89；渦輪出口燃氣溫度為 )997 : )6;<@。部件效率為：擴壓器為 98 ;7—98 ?6；壓氣機為 98;3 :98?6；燃燒室為 98;? :98?3；渦輪為 98;< :98?6；噴管為 98;; :98?;；機械傳動軸為 98?3 :)89。為了確保神經(jīng)網(wǎng)絡學習，自由地改變這些數(shù)據(jù)。數(shù)據(jù)出現(xiàn) 79999次在神經(jīng)網(wǎng)絡上，每一次均經(jīng)過訓練。在 )<<AB0&個人計算機上訓練過程需 ;9’。
（6）影響因素
學習規(guī)則的影響。用四種規(guī)則：擴展的 ( C棒 C (（ &5—DED）；(；正規(guī)累積 (（FG.H—I-H C J&05/）；和( C棒 C (，進行神經(jīng)網(wǎng)絡訓練，根據(jù)對壓氣機效率預測的影響得出：(和 &5 C DED學習規(guī)則在 67次預測中完成較好。
"傳遞函數(shù)的影響。用效率最高的學習規(guī)則（(和 &5 C DED）來檢查傳遞函數(shù)對神經(jīng)網(wǎng)絡的影響。被檢查的傳遞函數(shù)有雙曲正切（ 5/FK）、反曲、正弦、數(shù)字神經(jīng)網(wǎng)絡結構（ D,L ,M）和線性函數(shù)。用一個傳遞函數(shù)和兩個學習規(guī)則來訓練神經(jīng)網(wǎng)絡。使用 &5—DED學習規(guī)則時，傳遞函數(shù)對機械效率的預測表明，正弦和雙曲正切傳遞函數(shù)可提高機械效率的預測。使用(學習規(guī)則時，用反正切和正弦函數(shù)提供最好的機械效率預測。(學習規(guī)則比 &5 C DED學習規(guī)則有更好的預測性。其他部件效率的預測檢查得出的結論是反曲正切方程更好。
處理單元數(shù)量的影響。輸入層和輸出層處理單元的數(shù)量取決于輸入、輸出參數(shù)的多少。調(diào)節(jié)隱藏層處理單元的數(shù)量可以優(yōu)選神經(jīng)網(wǎng)絡的預測。使用雙曲正切傳遞函數(shù)和厶學習規(guī)則，隱藏層分別有 )9、67和 79個處理單元的神經(jīng)網(wǎng)絡進行了訓練。處理單元數(shù)量對燃燒室效率預測結果表明，單元數(shù)影響很小。因此可選用 67個處理單元。
中國航空網(wǎng) m.k6050.com
航空翻譯 www.aviation.cn
本文鏈接地址：飛機檢測與維修實用手冊 4(72)
