（标准）GB50107-2010混凝土强度检验评定标准.doc.doc

第18卷第2期 1998年4月北京理工大学学报 JournalofBeijingInstituteofTechnology 收稿日期:1997-03-20 *“九五”国防科技重点预研项目刀具切削状态模糊性及识别方法* 徐春广王信义邢济收(北京理工大学机械工程与自动化学院,北京 100081) ,将模糊划分理论与神经网络识别方法相结合,给出神经网络非线性映射作用一般扩展原理的推论以及模糊模式识别及推理规则;结果对不同切削负载,,以及所述方法的正确性、可靠性和实用性,为刀具切削状态智能识别奠定理论基础. 关键词刀具切削状态;模糊划分;模糊识别;推理机制分类号 TH 在刀具切削状态的识别过程中,,,将刀具切削状态分成三类,即正常、 刀具切削状态界限的模糊性限不明确或重叠,,由于每一种监测方法都有其应用范围,如声发射方法在小负载切削工况下, 应用效果好,而电机电流法在大负载切削条件下应用效果好将这两种方法综合起来使用的联合判别[1].法,即适用于中等负载的监测方法,这里负载的大小是模糊概念, , ,导致最后的识别结果也具有模糊性. 1 模糊模式识别与神经网络隶属度函数是完成从定量论域到定性的数值变量论域的一种非线性映射关系,,表征切削状态的传感信息具有不确定性或模糊性,经过神经网络的非线性映射,原始传感信息的模糊性或称隶属函数将发生变化. 由扩展原理可知[2],输出变量的可能性数值不大于各个输入分量可能性数值的最小值,扩展原理定义了输出集为单模糊集情况,而神经网络具有多个输出单元,可以完成多个模糊子集间的映射,多个输出单元的数值在(0,1)内变化,,对应类别的输出单元的数值接近于1, ,, 可以将神经网络的输出数值变化认为是原始传感信息对某一类别的隶属度数值,并针对神经网络的映射作用给出一般扩展原理的推论. 推论若前向多层神经网络神经元的阈值函数采用如下形式的Sigmoid函数: f(x)=(1+exp(-x)) -1 (1) 在权重w ij确定后,神经网络中S i层神经元状态与S j层神经元有如下关系: S i=f(w ijS j) (i=1,2,?,N;N表示神经网络层数) (2) 当神经网络有输入X 0时,多层神经网络的非线性映射关系为 F=f(f?f(w 0X 0)) (3) 则前向多层神经网络能够将论域X中的模糊集A ~ 1,?A ~ r,映射到某一论域Y中的模糊集 B ~ 1,?,B ~ m,如果F -1(y)≠空集及(x 1,x 2,?,x r)∈F -1(y),有? B ~1(y)=sup{min[? A ~1(x 1),?? A ~r(x r)]} ?? B ~m(y)=sup{min[? A ~1(x 1),?? A ~r(x r)]} (4) 否则? B ~1(y)=?=? B ~m(y)=0 其中F -1是f 的逆;sup 表示上确界. 上述推论表明,神经网络的映射作用,,神经网络完全可以用于模糊状态的模式识别,它将原始传感信息的模糊性以简洁的隶属度形式表达出来. 2 模糊划分和推理规则模糊划分是利用在某一模糊集上的隶属函数进行若干个等级的划分,=(x 1,x 2,?,x n)为一有限集,它的模糊C- 划分是指X上的c个模糊子集{A ~} i?i=1,2,?,c},2≤c≤n,满足? c i=1 ? A ~i(x)=1,? x,当X是有限集时,这样的划分可以用一个c×n模糊矩阵U=(? ik)来表示,即? iik=? A ~i(x k)表示x i属于A ~i类的程度. X的模糊C-中的集合为 M fc= ?v∈?? ik∈[0,1],? i,? k;? c i=