(2)根据诊断对象的特点构造BP网络的结构即输入单元个数、隐层单元个数、输出单元个数等。
(3)用已知诊断结果的样本数据对网络进行训练，调整数值矩阵和阈值矢量。一旦达到了最大的训练次数或者网络误差平方和降到期望误差之下时，训练过程结束。
(4)将待检样本数据输入到已训练好的BP 网络中，计算输出向量。输出向量的结果最接近哪种故障类型就认为它属于此类。
    
4.2.3  BP 神经网络的局限性
BP神经网络的理论认为：只要不断地给出输入和输出之间的关系，则在
神经网络学习过程中，其内部就一定会形成表示这种关系的内部构造，并且
只要使关系形成的速度达到实用值，那么BP网络的应用就不存在任何困难，
但实际上问题并非如此简单。BP网络只是学习方法上改进了的感知机，所以
把BP网络作为识别系统时，可能存在着中间层神经元的个数太庞大、学习
时间太长、结合系数范围太宽等严重缺点。即：
(1)由于是非线性优化，就不可避免地会存在局部极小问题。
(2)训练次数多使得学习效率低，收敛速度慢，存在震荡现象。
(3)网络隐含层的层数及隐含层的隐节点的选取缺乏理论指导，而只能根据经验确定，因此网络往往有很大的冗余性，无形中也增加了网络学习的时间。
(4)训练时学习新样本有遗忘1日样本的趋势。
4.3 RBF神经网络
20世纪80年代末由J．Moody和C．Darken提出的径向基函数(Radial Basis Function简称RBF)神经网络是一种单隐层前馈型网络，它以径向基函数作为隐节点激活函数，具有收敛速度快、逼近精度高、网络规模小等特点，各领域工作者对其表现了更多的关注。RBF网络可以根据问题确定相应的网络拓扑结构，学习速度快，不存在局部最小问题。RBF网络的优良特性使得它正显现出比BP网络更强的生命力，正在越来越多的领域内成为替代BP网络的一种新型网络。
RBF神经网络由输入层、隐藏层和输出层构成，其中隐藏层由径向基函数神经元组成。输入空间可以采用实际或归一化的表示方式。输入信号被传送至隐藏层，即径向基函数神经元层。隐藏层中第 个神经元将计算输入矢量和它的权重矢量之间的距离，并把它作为径向基函数的输入，进而计算得到隐藏层的输出。研究表明径向基函数类型的选择对RBF神经网络的行为影响不大。
图4.3为一个RBF神经网络模型。
图4.3 RBF神经网络的结构
4.3.1 RBF网络学习算法
RBF神经网络的学习算法由两部分组成：(1)对所有输入样本进行聚类，确定各隐层节点的数据中心和扩展常数，属于无监督学习。(2)确定好隐层节点的参数后，采用合适的算法确定隐层到输出层的连接权值，属于有监督学习。由于RBF网络为线性参数网络，两部分采用了不同的学习算法分别进行各自参数的调整。另外，RBF神经网络隐层节点的数据中心对网络的学习的影响很大，只网络基函数中心选择的适当，可以获得快速的函数逼近效果。
RBF神经网络的学习算法很多，但是有些学习算法不具有递推功能，只适应于静态模式的离线学习，不能应用于动态模式的在线学习；虽然遗传算法具有全局性、并行性和自适应性，但这种算法计算量比较大，会影响系统在线学习的实时性。学习算法是为解决神经网络的权值调整问题而规定的一组规则，是神经网络实现其功能所必须的。神经网络的学习过程是利用输入输出数据样本，通过预先确定的学习算法调整网络的连接权值实现的，简单地说，学习过程就是网络的权值的调整过程。神经网络学习的目的是使网络能用一组输入输出矢量产生一组期望的输出矢量。 基于神经网络的移动机器人的故障诊断方法研究(12):http://www.751com.cn/zidonghua/lunwen_2256.html