人工神經網絡特征優化方法在模式識別中的應用分析

（遼寧大學，遼寧 沈陽 110036）

【摘要】：在模式識別系統中，特征量的選擇與組合優化都是通過設計模式識別系統進行操作，只有這樣才能將人工神經網絡特征體現出來，影響分類器的設計與性能。人工神經網絡系統不僅僅可以在模式識別中作為分類器，同時還能將人工神經網絡系統中的特征參數體現出來，從而滿足有機故障特征提取與優化的需求。基于此，本文對人工神經網絡特征優化方法在模式識別中的應用進行了簡單的研究。

【關鍵詞】：人工神經網絡特征；優化方法；模式識別；應用

前言：隨著社會不斷的發展，我國科學技術水平逐漸提升，各個類型的設備、結構都在通過日益復雜的形式展現出來，但是這些設備在運行期間常因為多種原因導致出現故障問題，這對人們的使用安全來說造成了很大的影響。而人工神經網絡的出現可以有效的對設備中的故障問題進行測量分析，了解設備的主要特征，并為其制定有效的解決對策，只有這樣才能保證設備可以正常的運行下去，提升設備在運行時的安全性與可靠性。

一、人工神經網絡特征提取方法

（一）特征提取概述

隨著社會不斷的發展，我國科學技術水平逐漸提高，人工神經網絡發展迅速，涉及應用范圍逐漸擴大。人工神經網絡在模式識別中的應用會通過特征提取的形式將人工提取的形式進行變換，并將神經網絡中的特征有效性體現出來，只有這樣才能滿足特征提取時的需求[1]。在對神經網絡進行特征提取時可以從整個神經網絡中獲取其中有代表性的特征，并做好原始數據信息的識別工作。如果整個系統中的數據量較大，那么需要根據數據信息的類型制定出對應的數據提取器，并以原有的數據特征為基礎進行處理，做好空間加工處理的優化工程，從而保持原有空間特征。

對于一些復雜的機械發動機來說，在對其特征處理時，首先要做好故障的診斷工作，并將數據進行復雜系統識別，只有這樣才能將整個發動機中的特殊空間通過全新的形式展現出來，從而了解其中的主要特征。

（二）人工神經網絡特征提前原理

在特征提取過程中，還應該做好神經網絡的距離的測量工作，了解整個網絡系統的可辨率，并通過K-L變換的形式進行度量，只有這樣才能保證整個網絡系統在度量時的準確性，實現人工神經網絡系統在運行時的降維映射[2]。一般來說，在特征提取時可以通過一些具有非線性的映射能力的提取器進行操作，只有這樣才能更好的將整個神經網絡中的特征、特點體現出來，從而滿足其在模式識別中運行的需求。比如說，將整個神經網絡的隱層的輸出設置為（i=1，2）那么就可以通過該次序進行排列，得出n

（三）基于神經網絡特征提取步驟

通過人工神經網絡特征的形式進行特征提取那么就可以通過以下幾點進行：（1）將神經網絡系統中的數據信息進行規劃，并做好原始特征數值的規劃處理工作；（2）通過BP網絡的模型對神經網絡系統中的數值進行分析，得出完整的數值單元，從而保證神經網絡的處理工作可以順利進行下去[3]。另外，在開展數值處理工作時還可以通過輸入單元層的形式進行，將其中的單元數值體現出來，從而保證人工神經網絡特征的提取工作可以順利進行下去；（4）通過BP網絡對所提取出來的數值進行全方面判斷，找出其中存在的不不足，并為其制定有效的解決對策，從而保證數值特征的穩定性。

二、柴油機故障信號特征提取優化

（一）故障信號采集

當12150L柴油機在運行時出現故障問題，那么就需要做好柴油機運行現狀的分析工作，找出柴油機在運行時出現的故障問題，并為其制定有效的解決對策，從而保證柴油機可以在正常的情況下噴射油管真震動信號。另外，工作人員還應該做好柴油機運行現狀的分析工作，了解柴油機的相關信號數值，并做好數值的分析工作。

（二）數據信號的均值化處理

如果柴油機在運行期間出現故障問題，那么可以通過特征向量的形式進行處理，只有這樣才將柴油機中的量綱數量體現出來，并根據所得結果制定對應的解決方案，做好所得結果的處理工作，減少不利影響的現象發生，保證神經網絡系統的特征提取工作可以順利進行下去[4]。

三、人工神經網絡優化后的特征向量的特征空間的距離分析

人工神經網絡特征在模式識別中的應用可以有效的將神經網絡系統中的向量特征體現出來，提升整個神經網絡的模式識別效果，并做好所得結果的分析工作，只有這樣才能獲取準確的空間距離，從而保證人工神經網絡特征的提取工作可以順利進行下去。在對向量特征空間距離分析時可以通過以下的公式進行：A=（a1，a2，...，an），B=（b1，b2，....，bn）那么整個距離為d（AB）={A（a1）-B（b1）}2。通過該方法的計算可以有效的將神經網絡系統中的故障特征體現出來，并根據這一故障特征制定出對應的解決方法，縮小而這之間的數值，優化整個系統，并將系統中的向量特征體現出來[5]。

總結：隨著社會不斷的發展，我國科學技術水平逐漸提升，人工神經網絡特征優化方法不斷創新、完善，并在模式識別中得到了廣泛的應用。人工神經網絡特征在模式識別中的應用可以有效的將其中的特征量體現出來，并將其組合優化，只有這樣才能將分類器中的設計性能體現出來。

參考文獻：

[1]周飛燕，金林鵬，董軍.卷積神經網絡研究綜述[J].計算機學報，2017：1-23.

[2]沈長青.旋轉機械設備關鍵部件故障診斷與預測方法研究[D].中國科學技術大學，2014.

[3]陳侃.基于多模型決策融合的刀具磨損狀態監測系統關鍵技術研究[D].西南交通大學，2012.

[4]鄭偉.基于分數傅里葉變換的光學神經網絡全光型模式識別系統[D].山西師范大學，2012.

[5]閆嘉.基于電子鼻技術的人體傷口感染檢測系統構建及算法研究[D].重慶大學，2012.