BP神經(jīng)網(wǎng)絡(luò)的發(fā)展現(xiàn)狀綜述

2008 年第 2 期綜 述B P 神經(jīng)網(wǎng)絡(luò)的發(fā)展現(xiàn)狀綜述周 政(太原市自來水公司技術(shù)處 ,山西 太原 030009)摘 要 :討論目前人工神經(jīng)網(wǎng)絡(luò)領(lǐng)域中 B P 神經(jīng)網(wǎng)絡(luò)的特點(diǎn) 、改進(jìn)算法以及在實(shí)際中的應(yīng)用 。主要包括模式識(shí) 別及分類 、故障智能診斷 、圖像處理 、函數(shù)擬合 、最優(yōu)預(yù)測(cè)等方面的應(yīng)用 。最后對(duì)目前人工神經(jīng)網(wǎng)絡(luò)的存在問題和 發(fā)展前景做了初步探討 。關(guān)鍵詞 :神經(jīng)網(wǎng)絡(luò) ;B P 網(wǎng)絡(luò) ;應(yīng)用 ;發(fā)展現(xiàn)狀中圖分類號(hào) : TP183 文獻(xiàn)標(biāo)識(shí)碼 :A0 引言人工神經(jīng)網(wǎng)絡(luò) (簡(jiǎn)稱神經(jīng)網(wǎng)絡(luò)) 具有復(fù)雜模式和進(jìn)行聯(lián) 想 、推理記憶的功能 ,它是解決某些傳統(tǒng)方法所無法解決的 問題的有力工具 。目前 ,它日益受到重視 ,同時(shí)其他學(xué)科的 發(fā)展 ,為 其 提 供 了 更 大 的 機(jī) 會(huì) 。1986 年 , Ro mel hart 和 Mc2 clelland 提 出 了 誤 差 反 向 傳 播 算 法 ( Error Back Propagatio n Algorit hm ,簡(jiǎn)稱 B P 算法) ,由于多層前饋網(wǎng)絡(luò)的訓(xùn)練經(jīng)常采 用誤差反向傳播算法 ,人們也常把多層前饋網(wǎng)絡(luò)稱為 B P 網(wǎng) 絡(luò) 。由于具有結(jié)構(gòu)簡(jiǎn)單 、工作狀態(tài)穩(wěn)定 、易于硬件實(shí)現(xiàn)等優(yōu) 點(diǎn) ,在眾多的神經(jīng)網(wǎng)絡(luò)模型中 , B P 網(wǎng)絡(luò)的應(yīng)用最為廣泛 ,尤 其是在模式識(shí)別及分類 、系統(tǒng) 仿 真 、故 障 智 能 診 斷 、圖 像 處 理 、函數(shù)擬合 、最優(yōu)預(yù)測(cè)等方面 1 。1 B P 網(wǎng)絡(luò)的描述B P 算法的基本思想是 ,學(xué)習(xí)過程由信號(hào)的正向傳播與 誤差的反向傳播兩個(gè)過程組成 。正向傳播時(shí) ,輸入樣本從輸圖 1 B P 網(wǎng)絡(luò)模型Ok = f ( netk ) k = 1 , 2 , , r (1)m入層傳入 ,經(jīng)各隱層逐層處理后 ,傳向輸出層 。若輸出層的實(shí)際輸出與期望的輸出 (教師信號(hào)) 不符 ,則轉(zhuǎn)入誤差的反向netk= 6j = 0w ik yj k = 1 , 2 , , r (2)傳播階段 。誤差反傳是將輸出誤差以某種形式通過隱層向 輸入層逐層反傳 ,并將誤差分?jǐn)偨o各層的所有單元 ,從而獲yj = f ( netj ) j = 1 , 2 , , m (3)n得各層單元的誤差信號(hào) ,此誤差信號(hào)作為修正各單元權(quán)值的 依據(jù) 。這種信號(hào)正向傳播與誤差反向傳播的各層權(quán)值調(diào)整net j = 6i = 0其中轉(zhuǎn)移函數(shù) :vij x i j = 1 , 2 , , m (4)過程 ,是周而復(fù)始地進(jìn)行的 。權(quán)值不斷調(diào)整的過程 ,也就是 網(wǎng)絡(luò)學(xué)習(xí)訓(xùn)練過程 。此過程一直進(jìn)行到網(wǎng)絡(luò)輸出的誤差減 少到可接 受 的 程 度 , 或 進(jìn) 行 到 預(yù) 先 設(shè) 定 的 學(xué) 習(xí) 次 數(shù) 為 止 。 B P 網(wǎng)絡(luò)模型中如圖 1 所示的單隱層網(wǎng)絡(luò) (三層前饋網(wǎng)) 的應(yīng)f ( x ) = 1 1 + e - x以上算式 (1) (5) 為三層前饋網(wǎng)的數(shù)學(xué)模型 。B P 學(xué)習(xí)算法的權(quán)值調(diào)整計(jì)算公式為 :(5)用最為普遍 。主要包括輸入層 、隱層和輸出層 。w jk = 0 jkkkkj三層前饋 網(wǎng) 中 , 輸 入 向 量 為 X = ( x 1 , x 2 , , x i , ,k y = ( drv ij = ( 6 0 w- 0 ) o ( 1 - o ) y) y ( 1 - y ) x(6)(7)x n ) T , 如加入 x 0 = - 1 , 可為隱層神經(jīng)元引入閾值 ; 隱層輸出k = 0k jkjji向量為 Y = ( y1 , y2 , , yj , , y m ) T , 如加入 y0 = - 1 , 可為 輸出層神經(jīng)元引入閾值 ; 輸出層輸出向量為 O = ( o1 , o2 , ,ok , or ) T 。期望 輸 出 向 量 為 d = ( d1 , d2 , , dk , d r ) T 。 輸入層到隱層之間的權(quán)值矩陣用 V 表示 , V = ( V 1 , V 2 , ,V j , V m ) , 其中列向量 V j 為隱層第 j 個(gè)神經(jīng)元對(duì)應(yīng)的權(quán)向量 ;隱 層 到 輸 出 層 之 間 的 權(quán) 值 矩 陣 用 W 表 示 , W = ( W 1 , W 2 , , W K , , W r ) , 其中列向量 W K 為輸出層第 k 個(gè)神經(jīng) 元對(duì)應(yīng)的權(quán)向量 。它們之間的關(guān)系為 :其中 (0 ,1) ,表示學(xué)習(xí)率 。2 B P 網(wǎng)絡(luò)存在的問題將 B P 算法用于具有非線性轉(zhuǎn)移函數(shù)的三層前饋網(wǎng)絡(luò) , 可以以任意精度逼近任何非線性函數(shù) ,這一非凡優(yōu)勢(shì)使三層 前饋網(wǎng)絡(luò)得到越來越廣泛的應(yīng)用 。然而標(biāo)準(zhǔn)的 B P 算法在 應(yīng)用中暴露出不少內(nèi)在的缺陷 :1) 易形成局部極小而得不到全局最優(yōu) ;2) 訓(xùn)練次數(shù)多使得學(xué)習(xí)效率低 ,收斂速度慢 ;收稿日期 :2007 - 11 - 22 作者 周政 男 40 歲 工程師第 2 期 周政 :B P 神經(jīng)網(wǎng)絡(luò)的發(fā)展現(xiàn)狀綜述913) 隱節(jié)點(diǎn)的選取缺乏理論指導(dǎo) ;4) 訓(xùn)練時(shí)學(xué)習(xí)新樣本有遺忘舊樣本的趨勢(shì) 。3 目前有效改進(jìn)算法由于傳統(tǒng)的 B P 算法存在著以上問題 ,國(guó)內(nèi)外已提出不 少有效的改進(jìn)算法 :3 . 1 增加動(dòng)量項(xiàng)一些學(xué)者指出 ,標(biāo)準(zhǔn) B P 算法在調(diào)整權(quán)值時(shí) ,只按 t 時(shí)刻 誤差的梯度降方向調(diào)整 ,而沒有考慮 t 時(shí)刻前的梯度方向 , 從而常使訓(xùn)練過程發(fā)生震蕩 ,收斂緩慢 。為了提高網(wǎng)絡(luò)的訓(xùn) 練速度 ,可以在權(quán)值調(diào)整公式中增加一動(dòng)量項(xiàng) 。3 . 2 自適應(yīng)調(diào)節(jié)學(xué)習(xí)率學(xué)習(xí)率也稱為步長(zhǎng) ,在標(biāo)準(zhǔn)的 B P 算法定為常數(shù) , 然而 在實(shí)際應(yīng)用中 , 很難確定一個(gè)從始至終都合 適 的 最 佳 學(xué) 習(xí) 率 。從誤差曲面可以看出 ,在平坦區(qū)域內(nèi)學(xué)習(xí)率太小會(huì)使訓(xùn) 練次數(shù)增加 ,因而希望增大學(xué)習(xí)率 ; 而在誤差變化劇烈的區(qū) 域 ,學(xué)習(xí)率太大會(huì)因調(diào)整量過大而跨過較窄的“坑凹”處 ,使 訓(xùn)練出現(xiàn)震蕩 ,反而使迭代次數(shù)增加 。為了加速收斂過程 , 一個(gè)較好的思想是自適應(yīng)改變學(xué)習(xí)率 ,使其該大時(shí)增大 ,該 小時(shí)減小 。3 . 3 引入陡度因子誤差曲面上存在著平坦區(qū)域 。權(quán)值調(diào)整進(jìn)入平坦區(qū)的 原因是神經(jīng)元輸出進(jìn)入了轉(zhuǎn)移函數(shù)的飽和區(qū) 。如果在調(diào)整 進(jìn)入平坦區(qū)域后 ,設(shè)法壓縮神經(jīng)元的凈輸入 ,使其輸出退出 轉(zhuǎn)移函數(shù)的飽和區(qū) ,就可以改變誤差函數(shù)的形狀 ,從而使調(diào) 整脫離平坦區(qū) 。實(shí)現(xiàn)這一思路的具體作法是在原轉(zhuǎn)移函數(shù) 中引入一個(gè)陡度因子 。4 B P 網(wǎng)絡(luò)的應(yīng)用圖 2 用于圖像壓縮編碼的 B P 網(wǎng)將 B P 網(wǎng)絡(luò)用于人臉識(shí)別 , 建立了人臉識(shí)別模型 , 通過對(duì)輸 入圖像實(shí)行圖像壓縮 、圖像抽樣及輸入矢量標(biāo)準(zhǔn)化等圖像預(yù) 處理 ,將標(biāo)準(zhǔn)化矢量輸入 B P 神經(jīng)網(wǎng)絡(luò)進(jìn)行訓(xùn)練 。B P 網(wǎng)絡(luò)用 于人臉識(shí)別時(shí) , 網(wǎng)絡(luò)的每一個(gè)輸入節(jié)點(diǎn)對(duì)應(yīng) 樣 本 的 一 個(gè) 特 征 ,而輸出節(jié)點(diǎn)數(shù)等于類別數(shù) , 一 個(gè) 輸 出 節(jié) 點(diǎn) 對(duì) 應(yīng) 一 個(gè) 類 。 在訓(xùn)練階段 ,如果輸入訓(xùn)練樣本的類別標(biāo)點(diǎn)是 i ,則訓(xùn)練時(shí)的 期望輸出假設(shè)第 i 個(gè)節(jié)點(diǎn)為 1 ,而其余輸出節(jié)點(diǎn)均為 0 。在識(shí) 別階段 ,當(dāng)一個(gè)未知類別樣本作用到輸入端時(shí) ,考察各輸出 節(jié)點(diǎn)對(duì)應(yīng)的輸出 ,并將這個(gè)樣本類別判定為具有最大值的輸 出節(jié)點(diǎn)對(duì)應(yīng)的類別 。如果有最大值的輸出節(jié)點(diǎn)與其它節(jié)點(diǎn) 之間的距離較小 (小于某個(gè)閾值) ,則作出拒絕判斷 。經(jīng)過競(jìng) 爭(zhēng)選擇 ,獲得識(shí)別結(jié)果 。4 . 3 故障診斷對(duì)于故障診斷而言 ,其核心技術(shù)是故障模式識(shí)別 。而人 工神經(jīng)網(wǎng)絡(luò)由于其本身信息處理特點(diǎn) ,如并行性 、自學(xué)習(xí) 、自 組織性 、聯(lián)想記憶等 ,使得能夠出色地解決那些傳統(tǒng)模式識(shí) 別難以圓滿解決的問題 ,所以故障診斷是人工神經(jīng)網(wǎng)絡(luò)的重 要應(yīng)用領(lǐng)域之一 ,已有不少應(yīng)用系統(tǒng)的報(bào)道 ?？偟恼f來 ,神 經(jīng)網(wǎng)絡(luò)在診斷領(lǐng)域的應(yīng)用研究主要集中在兩個(gè)方面 :一是從 模式識(shí)別的角度應(yīng)用作為分類器進(jìn)行故障診斷 ,其基本思想 是 :以故障征兆作為人工神經(jīng)網(wǎng)絡(luò)的輸入 ,診斷結(jié)果作為輸 出 ;二是將神經(jīng)網(wǎng)絡(luò)與其他診斷方法相結(jié)合而形成的混合診3B P 網(wǎng)絡(luò)作為一種很重要的神經(jīng)網(wǎng)絡(luò)模型在許多領(lǐng)域都斷方法。對(duì)用解析方法難以建立系統(tǒng)模型的診斷對(duì)象 ,人得到了應(yīng)用 。4 . 1 圖像壓縮編碼Ackley 和 Hinto n 等人提出了利用 B P 網(wǎng)絡(luò)實(shí)現(xiàn)數(shù)據(jù)編 碼的基本思想 。其原理是 ,把一組輸入模式通過少量的隱層 節(jié)點(diǎn)映射到一組輸出模式 ,并使輸出模式等同與輸入模式 。 當(dāng)中間隱層的節(jié)點(diǎn)數(shù)比輸入模式維數(shù)少時(shí) ,就意味著隱層能 更有效地表現(xiàn)輸入模式 ,并把這種表現(xiàn)傳給輸出層 。在這個(gè) 過程中 ,輸入層和隱層的變換可以看成是壓縮編碼的過程 ; 而隱層和輸出層的變換可以看成是解碼過程 。用多層前饋網(wǎng)實(shí)現(xiàn)圖象壓縮時(shí) ,只需一個(gè)隱層 ,網(wǎng)絡(luò)結(jié) 果如圖 2 所示 。輸入層和輸出層均含有 n n 個(gè)神經(jīng)元 ,每 個(gè)神經(jīng)元對(duì)應(yīng)于 n n 個(gè)圖像分塊中的一個(gè)像素 。隱層神經(jīng) 元的數(shù)量由圖像壓縮比決定 ,如 n = 16 時(shí) ,取隱層神經(jīng)元數(shù) 為 m = 8 ,則可將 256 像素的圖像塊壓縮為 8 像素 。設(shè)用于 學(xué)習(xí)的圖像有 N N 個(gè)像素 ,訓(xùn)練時(shí)從中隨機(jī)抽取 n n 圖 像塊作為訓(xùn)練樣本 ,并使教師模式和輸入模式相等 。通過調(diào) 整權(quán)值使訓(xùn)練集圖像的重建誤差達(dá)到最小 。訓(xùn)練后的網(wǎng)絡(luò) 就可以用來執(zhí)行圖像的數(shù)據(jù)壓縮任務(wù)了 ,此時(shí)隱層輸出向量 便是數(shù)據(jù)壓縮結(jié)果 , 而輸出層的輸出向量便 是 圖 像 重 建 結(jié) 果 。4 . 2 人臉識(shí)別對(duì)人臉識(shí)別是人類最偉大的視覺功能之一 ,神經(jīng)網(wǎng)絡(luò)受 動(dòng)物神經(jīng)系統(tǒng)啟發(fā) ,利用大量簡(jiǎn)單處理單元互聯(lián)而構(gòu)成的復(fù) 雜系統(tǒng) ,以解決復(fù)雜模式識(shí)別和行為控制問題 。文獻(xiàn) 2 中工神經(jīng)網(wǎng)絡(luò)有著很好的研究和應(yīng)用前景 。4 . 4 最優(yōu)預(yù)測(cè)目前 ,前景預(yù)測(cè)已經(jīng) 成 為 許 多 行 業(yè) 不 可 避 免 的 一 個(gè) 難 題 。由于預(yù)測(cè)涉及的因素很多 ,往往很難建立一個(gè)合理的模 型 。人工神經(jīng)網(wǎng)絡(luò)模擬人的大腦活動(dòng) ,具有極強(qiáng)的非線性逼 近 、大規(guī)模并行處理 、自訓(xùn)練學(xué)習(xí) 、容錯(cuò)能力以及外部環(huán)境的 適應(yīng)能力 。所以利用人工神經(jīng)網(wǎng)絡(luò)進(jìn)行預(yù)測(cè)已經(jīng)成為許多 項(xiàng)目首選的方法 。目前利用 B P 網(wǎng)絡(luò)進(jìn)行預(yù)測(cè)的應(yīng)用已經(jīng) 很多 。例如 ,可以用來建立公共衛(wèi)生事件監(jiān)測(cè)與預(yù)警系統(tǒng) 、 旅游業(yè)趨勢(shì)預(yù)測(cè)系統(tǒng) 、物流預(yù)測(cè)系統(tǒng) 、資源調(diào)度系統(tǒng)等方面 。 設(shè)計(jì)涉及訓(xùn)練樣本集設(shè)計(jì) 、網(wǎng)絡(luò)結(jié)構(gòu)設(shè)計(jì)和訓(xùn)練與測(cè)試三個(gè) 方面 。B P 網(wǎng)絡(luò)在應(yīng)用于預(yù)測(cè)預(yù)報(bào)前 ,需要一個(gè)網(wǎng)絡(luò)學(xué)習(xí)過程 。 其學(xué)習(xí)過程包括信息正向傳播和誤差反向傳播兩個(gè)反復(fù)交 替的過程 。網(wǎng)絡(luò)根據(jù)輸入的訓(xùn)練 (學(xué)習(xí)) 樣本進(jìn)行自適應(yīng) 、自 組織 ,確定各神經(jīng)元的連接權(quán) W 和閾值 ,經(jīng)過多次訓(xùn)練后 , 網(wǎng)絡(luò)就具有了對(duì)學(xué)習(xí)樣本的記憶和聯(lián)想的能力 。4 . 5 分類早在 20 世紀(jì) 50 年代 ,研究人員就開始模擬動(dòng)物神經(jīng)系 統(tǒng)的某些功能 ,他們采用軟件或硬件的辦法 ,建立了許多以 大量處理單元為結(jié)點(diǎn) ,處理單元間實(shí)現(xiàn) (加權(quán)值的) 互聯(lián)的拓 撲網(wǎng)絡(luò) ,進(jìn)行模擬 。稱之為人工神經(jīng)網(wǎng)絡(luò) 。這種方法可以看 作是對(duì)原始特征空間進(jìn)行非線性變換 ,產(chǎn)生一個(gè)新的樣本空 間 ,使得變換后的特征線性可分 。同傳統(tǒng)統(tǒng)計(jì)方法相比 ,其 分類器是與概率分布無關(guān)的 。92山 西 電 子 技 術(shù) 2008 年4 . 6 函數(shù)擬合B P 網(wǎng)絡(luò)可以看成是輸入到輸出的高度非線性映射 ,即 G: Rn Rm ,g ( y) = x ,對(duì)于樣本集合 ,輸入 yi Rn 、輸出 xi Rm ,可以認(rèn)為存在某一映射 h ,使 h ( yi) = xi ( I = 1 ,2 , , n) 。 現(xiàn)須求出映射 g ,通常在最小二 乘 意 義 下 , g 是 h 的 最 佳 逼 近 。神經(jīng)網(wǎng)絡(luò)通過對(duì)簡(jiǎn)單的非線性函數(shù)進(jìn)行數(shù)次復(fù)合 ,可近 似任意復(fù)雜的函數(shù)或映射 。5 展望近年來 ,人工神經(jīng)網(wǎng)絡(luò)無論在理論研究上 ,還是在實(shí)際 應(yīng)用中 ,都取得了突飛猛進(jìn)的發(fā)展 。但必須清醒地認(rèn)識(shí)到 , 人工神經(jīng)網(wǎng)絡(luò)只是對(duì)人腦的簡(jiǎn)單模擬 ,尚有許多問題有待解 決 。為了改善人工神經(jīng)網(wǎng)絡(luò)的應(yīng)用 ,解決各學(xué)科中存在的大 量不確定性和模糊性問題 ,可以采取以下 3 條途徑 :1) 與專家系統(tǒng)相結(jié)合 ,實(shí)現(xiàn)符號(hào)處理與數(shù)值處理相結(jié)合 ,使知識(shí)的提取 、存儲(chǔ) 、推理和解釋更接近人腦 ;2) 把不 同 類 型 的 人 工 神 經(jīng) 模 型 以 不 同 形 式 組 合 在 一 起 ,構(gòu)成一個(gè)新的綜合性人工神經(jīng)系統(tǒng) ;3) 將模糊數(shù)學(xué) 、數(shù)理邏輯 、拓?fù)鋽?shù)學(xué)等結(jié)合到人工神經(jīng) 網(wǎng)絡(luò)的學(xué)習(xí)規(guī)則中 ,使其具有求解不確定性 、模糊性和似然 性推理等問題的能力 。此外 ,研究人工神經(jīng)網(wǎng)絡(luò)硬件芯片以提高運(yùn)行速度也是 有待解決的重要問題 。隨著大規(guī)模集成電路 、光學(xué)與分子器 件的發(fā)展 、人工神經(jīng)計(jì)算機(jī)的研制 ,人工神經(jīng)網(wǎng)絡(luò)必將會(huì)得 到越來越廣泛的應(yīng)用和迅猛發(fā)展 。參考文獻(xiàn)1 韓力群 . 人工神經(jīng)網(wǎng)絡(luò)理論 、設(shè)計(jì)及應(yīng)用 M . 北京 :化 學(xué)工業(yè)出版社 ,2004 .2 甘俊英 ,張有為 . 基于 B P 神經(jīng)網(wǎng)絡(luò)的人臉識(shí)別 J . 系統(tǒng)工程與電子技術(shù) ,2003 ,25 (1) .3 林康紅 ,施惠昌 ,盧強(qiáng) ,等 . 基于神經(jīng)網(wǎng)絡(luò)的傳感器非線 性誤差校正 J . 傳感器技術(shù) ,2002 ,21 (1) .Survey of Current Progress in BP Neural Net workZhou Zheng( Tech nology Depa rt ment of T aiy u an T ap W ater Cor porat ion , T aiy u an S han x i 030009 , Chi n a)Abstract :This paper discusses t he feat ure of B P neural net wor k in artificial neural net wor k , and so me imp roved algorit hm and it s applicatio n in p hysical . The applicatio n includes in pat tern recognitio n , category , diagnosis in breakdown , image p rocessing , f unctio n matching and best forecast . Finally , t he p resent p roblem in artificial neural net wor k and developing foreground are discussed.Key words :artificial neural net wor k ; B P neural net wor k ; applicatio n(上接第 82 頁)與多排光纖耦合 ,再利用準(zhǔn)直鏡陣列對(duì)出射光束進(jìn)行準(zhǔn)直 ,保證在規(guī)定距離的作面上形成激光束線陣 。2 . 1 高功率光纖激光器關(guān)鍵技術(shù)1) 包層泵浦技術(shù) 采用雙端非對(duì)稱泵浦作為大功率雙包層光纖激光器的泵浦方式5 。雙端非對(duì)稱泵浦存在最佳光纖長(zhǎng)度使輸出功率最大 。當(dāng)雙端泵浦功率分別為 60w 和 240w 時(shí) ,光纖長(zhǎng)度 為 16m 時(shí)光纖輸出功率最大 。另外 , 腔鏡對(duì)光纖輸出功率 也有一定的影響 , 前端鏡對(duì)激光信號(hào)應(yīng)該具 有 很 高 的 反 射 率 ,而輸出鏡的反射率應(yīng)越小越好 。2) 泵浦耦合技術(shù) 采用微型棱鏡耦合技術(shù)能有效地將半導(dǎo)體激光器泵浦光耦合進(jìn)雙包層光纖 6 。理論計(jì)算 ,此種耦合方法的耦合效率可以達(dá)到 90 %以上 。微型棱鏡耦合法對(duì)光源的光束質(zhì)量 要求較低 ,一般的大功率半導(dǎo)體激光器陣列經(jīng)過光束整形都 能滿足要求 。另外 ,它對(duì)光纖本身幾乎沒有損耗 ,而且易于 加工 ,是比較理想的雙包層光纖耦合技術(shù) 。3) 透鏡準(zhǔn)直陣列 由于準(zhǔn)直鏡的剩余發(fā)散角與前焦距成反比 ,故透鏡的焦距越長(zhǎng) ,剩余發(fā)散角越小 。在保證光斑尺寸的情況下 ,可使工作距離增長(zhǎng) ,這有利于工件的預(yù)熱 。但焦距越長(zhǎng) ,準(zhǔn)直透 鏡陣列的節(jié)距越寬 ,減小了光能量密度及加工精度 。3 結(jié)論1) 半導(dǎo)體激光器線陣特點(diǎn) : 工作距離短 ,工件預(yù)熱困 難 ; 激光器線陣散熱設(shè)計(jì)困難 ; 激光器陣列加工及裝配 精度要求高 ; 陣列激光元的一致性好 ; 激光元間距 、發(fā)光 面位置精度高 。2) 光纖激 光 器 線 陣 特 點(diǎn) : 工 作 距 離 長(zhǎng) , 工 件 預(yù) 熱 容 易 ; 多排光纖無需散熱 ; 多排光纖組裝相對(duì)容易 ; 光纖 耦合工藝復(fù)雜 ; 準(zhǔn)直微透鏡光路調(diào)整困難 。參考文獻(xiàn)1 朱林泉 ,朱蘇磊 . 激光應(yīng)用技術(shù)基礎(chǔ) M . 北京 :國(guó)防工 業(yè)出版社 ,2004 :21 .2 朱林泉 ,朱江淼 . 高功率半導(dǎo)體激光器光纖耦合線陣技術(shù) J . 兵工學(xué)報(bào) ,2005 ,26 (2) :182 .3 Collimatio n Module for L aser BarsEB/ OL . Dort mund , Germany , ht tp : www . Limo . de , 2001204216/ 2002203216 .4 王高 ,周漢昌 ,朱林泉 ,等 . 快速成型機(jī)用能量源實(shí)現(xiàn)的 兩種新方案 J . 測(cè)試技術(shù)學(xué)報(bào) ,2003 ,17 (1) :67 - 68 .5 梁蘭菊 ,鄭義 . L D 泵浦摻鐿的雙包層光纖激光器的研究 J . 激光雜志 ,2005 ,26 (5) :19 .6 王常安 ,向世清 ,陸雨田 . 利用微型棱鏡將激光二極管 抽運(yùn)光 耦 合 進(jìn) 雙 包 層 光 纖 的 新 技 術(shù) J . 光 學(xué) 學(xué) 報(bào) ,2002 ,22 (10) :1259 - 1262 .Research on the Ne w Energy Source Ut il ized in La ser Ra pid Prototyping SystemWang Xiao2ni Han Chao Zhu Lin2quan Ma Qiao2mei( Dept . of I nf or m at ion En gi neeri n g , N ort h U ni versi t y of Chi n a ,