中文翻译—基于神经网络的智能传感大坝安全实施技术.docVIP

基于神经网络的大坝安全传感智能技术的实现 摘要：感应大坝安全的设备通常工作极其恶劣的工作条件下。其可靠性，稳定性和精度等，都很难得到保证。该信号对噪声比较敏感。往往会造成错误和故障。微电子技术，计算机科学和人工智能技术，可以为安全技术不足的感应大坝提供完善的技术支持，为提高自动化水平，智能化的监测大坝安全提供的强有力的保障。人工神经网络（ANN ）具有较强的非线性拟合能力，学习功能以及并行处理能力。上述优异的人工神经网络的功能是实现智能的自适应抑制噪声和自诊断传感器故障的原理，方法和途径。其构造方法和适应性的神经网络滤波器的训练算法被提了出来。有了这个过滤器，有用量化的信息可以自动从噪声中提取数据。该信息可以描述检测到的特征对象。非线性观测器的故障诊断方法是输入和输出之间的非线性动态关系系统可以通过使用径向的学习功能的方式获得基函数神经网络。误差可以计算和逻辑判断可以与提出的观察者进行实时的联系。 关键词：大坝安全；感应技术；智能的方法，神经网络 一．引言 对大坝安全的综合诊断是由信息感知，信息传输，信息处理，信息分析，决策支持和反馈所构成的一个综合性的过程。由神经诊断大坝安全，系统用于检测大坝安全的工作状态是准确，稳定和可靠的。数据可以实时地获得。作为该项目迫切需要的一个结果，政府当局十分重视用于检测大坝安全所生产的自动化设备工具。国家投入了大量的人力和财力，使大坝安全感应技术得到了快速发展。为了保证操作大坝的安全，提高大坝安全管理水平具有非常重要的作用。但在同一时间，也应注意到传统的大坝安全感应技术仍有大量的发展空间。 该仪器监测大坝安全需要被满足的需求有很多，如高精度，高可靠性，高稳定性，高信噪比，以及适应性强，分辨率高等。为了实现上述目标，智能传感器需要有非常强大的功能，如自零自校准，自整定，自动 补偿，判断和决策等功能。数据可以被收集并自动进行预处理。强大的功能和用来解决人工智能理论问题的唯一途径加快了智能感技术的进程。人工神经网络（ANN）具有很强的非线性拟合能力，学习功能和并行处理能力。以上特性可以使传感器智能非线性自调优，自适应噪声抑制和故障自诊断。 二．自适应噪声抑制技术 由传感器获得的信号经常有噪音和各种干扰信号的混入。通过某种形式的智能传感器技术，可以从噪声中自动和精确地提取定量的有用信息，并将该信息用于描绘检被测物体的特征。多层前反馈神经网络，这使得利用多层感知机激活函数可以实现任意精度的非线性函数的任何特征，组成一个由非线性神经网络构成的自适应滤波器，并通过他们构建一个自适应噪声消除系统。 A.神经网络自适应滤波器的组成原理 一般非线性神经网络结构，如图1所示，它可以被看作是一个动态系统： （1） f(?)不包含一个延迟，该功能是由神经元的非线性特性所决定的。 系统的输入由两部分组成，一个是，这是由和j延迟形式组成的，，…，从外部输入；另一种是反馈，通过l延迟形式组成，，…，从系统中输出。如果外部输入矢量是一个列向量，其维数为M（），那么为一个列向量，其维数为（j +1）M，即=。如果在时刻迭代输出的向量是一个列向量，其维数为N（），然后是一个列向量，其尺寸为LN，那=。 加权矢量W（i）载有动态系统所需要的所有自适应参数，它被定义为一个列向量，其尺寸为，该标签i表示权值向量的改变时间通过最陡下降的方法，所述初始权重矢量W（0）通常由随机数发生器所产生的。表示动态系统中W（i）的第k迭代的值。 图1. 神经网络非线性结构 通过非线性神经网络的基本结构，取系统（）作为教师信号的预期输出，自适应神经网络的滤波器可以通过最陡下降法组成，如图2。输入信号后，滤波器的输出，希望它会回应到输出误差为，用均方差??的最低标准调整过滤器的重量。使预期的输出标配为最小均方误差时的输出。 图2. 自适应神经网络过滤器。 B.神经网络自适应噪声callcellor 采用上述基本自适应滤波器单元可以构成一个自适应噪声callcellor，如图3所示。可用的信号被噪声污染，可以通过一个由构成的过滤器的噪声源产生，也被输入到自适应滤波器中。 图3. 自适应神经网络噪声callcellor 采取线上误差，培训自适应滤波器，并尽量减少的预期值。如果自适应滤波器被仿真为噪声滤波器，自适应滤波器的输出将接近，于是，系统输出的噪声将得到基本的遏制，达到消除噪音的目的。 三．故障自诊断的技术 任何故障在使用传感器的过程中包括硬件故障（在传感器彻底决裂）和软故障（传感器性能下降），可能会导致整个传感系统的瘫痪。笔者研究了基于径向基函数的非线性观测器的神经网络故障诊断方法（RBF：径向基函数），给出了设计原理和相应的递归学习算法。 A.基于RBF神经网络的非线性的观察器 考虑下面的多输入和多输出的非线性离散动态系统：