基于神经网络的移动机器人的故障诊断方法研究(11)
隐含层（Hidden Layer），简称“隐层”，是输入层和输出层之间众多神经元和链接组成的各个层面。隐含层可以有多层，习惯上会用一层。隐含层的节点（神经元）数目不定，但数目越多神经网络的非线性越显著，从而神经网络的鲁棒性（控制系统在一定结构、大小等参数的摄动下，文持某些性能的特性）更显著。
神经网络的类型已经演变出很多种，这种分层的结构并不是对所有的神经网络都适用。神经网络的基本属性反映了神经网络的特点，主要表现在：
（1）并行分布式处理
神经网络具有高度的并行结构和并行实现能力，具有高速寻找优化解的能力，能够发挥计算机的高速运行能力，可能很快找到优化解。
（2）非线性处理
人脑的思文是非线性的，故神经网络模拟人的思文也应是非线性的。这一特性有助于处理非线性问题。
（3）具有自学习功能
通过对过去的历史数据的学习，训练出一个具有归纳全部数据的特定的神经网络，自学习功能对于预测有特别重要的意义。
（4）神经网络的硬件实现
要使人工神经网络更快、更有效地解决更大规模的问题，关键在于其超大规模集成电路（VLSI）硬件的实现，即把神经元和链接制作在一块芯片上（多为CMOS）构成ANN，神经网络的VLSI设计方法近年来发展很快，硬件实现已成为ANN的一个重要分支。
4.2 BP 神经网络
BP网络是一种多层前馈神经网络，名字源于网络权值的调整规则采用的是后向传播学习算法，即BP学习算法。
在人工神经网络发展历史中，很长一段时间里没有找到隐层的连接权值调整问题的有效算法。直到误差反向传播算法（BP算法）的提出，成功地解决了求解非线性连续函数的多层前馈神经网络权重调整问题。
BP（Back Propagation）神经网络，即误差反传误差反向传播算法的学习过程，由信息的正向传播和误差的反向传播两个过程组成。输入层各神经元负责接收来自外界的输入信息，并传递给中间层各神经元；中间层是内部信息处理层，负责信息变换，根据信息变化能力的需求，中间层可以设计为单隐层或者多隐层结构；最后一个隐层传递到输出层各神经元的信息，经进一步处理后，完成一次学习的正向传播处理过程，由输出层向外界输出信息处理结果。当实际输出与期望输出不符时，进入误差的反向传播阶段。误差通过输出层，按误差梯度下降的方式修正各层权值，向隐层、输入层逐层反传。周而复始的信息正向传播和误差反向传播过程，是各层权值不断调整的过程，也是神经网络学习训练的过程，此过程一直进行到网络输出的误差减少到可以接受的程度，或者预先设定的学习次数为止。
图4.2为一个3层BP神经网络模型。
图4.2 3层BP神经网络模型
4.2.1 BP网络学习算法
BP 算法的基本思想是：学习过程由信号的正向传播与误差的反向传播两个过程组成。正向传播时，模式作用于输入层，经隐含层处理后，传向输出层。若输出层未能得到期望的输出，则转入误差的逆向传播阶段，将输出误差按某种形式，通过隐含层向输入层逐层返回，并“分摊”给各层的所有单元，从而获得各层单元的参考误差或称误差信号，以作为修改各单元权值的依据。这种信号正向传播与误差逆向传播的各层权矩阵的修改过程，是周而复始地进行的。直到网络输出的误差逐渐减小到可接受的程度。
4.2.2 BP神经网络用于机械故障诊断的步骤
(1)首先根据诊断对象的特点划分其故障类型，获取故障信息，然后选取对故障比较敏感的一些参数为信号的特征参数作为BP 网络的输入单元。