文 献 综 述

1. 研究背景

随着柴油机技术的发展与进步，人类对柴油机的需求也逐渐增加，与之相应的对柴油工作的稳定性、可靠性的要求也越来越高，所以在柴油机故障诊断的研究领域不断出现新的理论和新的方法，目前这一研究方向也成为国内外研究的热点。我国是目前世界上拥有和使用柴油机最多的国家之一，因此对柴油机进行状态检验和故障诊断可以极大的提高其运行的可靠性，具有较高的经济效益。

目前柴油机的故障诊断方法有：人工直观法，仪器设备法，故障树法。为了保证柴油机各系统能稳定而可靠的工作，对其进行实时无损故障诊断和先期预测非常必要。由于柴油机工作过程复杂，我们把人工神经网络技术应用到故障诊断中来。

2．神经网络

人工神经网络（Artificial Neural Networks，ANNs），也简称为神经网络（NNs），是模拟生物神经网络进行信息处理的一种数学模型。它以对大脑的生理研究成果为基础，其目的在于模拟大脑的某些机理与机制，实现一些特定的功能。它不但具有处理数值数据的一般计算能力，而且还具有处理知识的思维、学习和记忆能力。

3. 神经网络集成

1990年，Hansen和Salamon开创性地提出了神经网络集成的方法。神经网络集成通过训练多个神经网络并将其结论进行合成，可以显著地提高学习系统的泛化能力。它不仅有助于科学家对机器学习和神经计算的深入研究，还有于普通工程技术人员利用神经网络技术来解决真实世界中的问题。因此，它被视为一种有广阔应用前景的工程化神经计算技术，已经成为机器学习和神经计算领域的研究热点。

1996年Sollich和Krogh为神经网络集成下了一个定义，即神经网络集成是用有限个神经网络对同一个问题进行学习。集成在某输入示例下的输出由构成集成的各神经网络在该示例下的输出共同决定。目前这个定义已被广泛接受，但是，也有一些研究者认为，神经网络集成指的是多个独立训练的神经网络进行学习并共同决定最终输出结果。并不要求集成中的网络对同一个问题进行学习。符合后一定义的研究至少可以上溯到1972年诺贝尔物理奖获得者Cooper及其同事和学生于20世纪80年代中后期在Nestor系统中的工作，但是，目前一般认为神经网络集成的研究始于Hansen和Salamon在1990年的工作。

当前，对神经网络集成的研究主要集中在两个方面，即如何生成集成中的个体网络和如何对个体网络的输出进行合成。根据Krogh等人对神经网络集成的理论分析，为降低集成的泛化误差，在保证集成中的个体网络有足够的预测精度的前提下，同时应尽可能使集成的个体网络误差不想关且具有较大的差异度。