基于神經(jīng)網(wǎng)絡(luò)的模擬電路故障診斷方法應(yīng)用研究

《基于神經(jīng)網(wǎng)絡(luò)的模擬電路故障診斷方法應(yīng)用研究》由會員上傳分享，免費在線閱讀，更多相關(guān)內(nèi)容在工程資料-天天文庫。

1、基于神經(jīng)網(wǎng)絡(luò)的模擬電路故障診斷方法應(yīng)用研究：隨著微電子技術(shù)的迅猛發(fā)展，模擬電路的診斷研究領(lǐng)域面臨挑戰(zhàn)，本文研究旨在將神經(jīng)X絡(luò)和模擬電路故障診斷將結(jié)合，探求模擬電路故障診斷的方法，文中以某模擬電路為例采用MATLAB軟件對樣本進行訓練，通過學習，調(diào)整X絡(luò)閾值，向X絡(luò)輸入待識別的樣本特征參數(shù)，計算出X絡(luò)的輸出值，仿真結(jié)果表明，利用神經(jīng)X絡(luò)的理論對模擬電路故障的診斷方法具有可行性和可靠性?！　￡P(guān)鍵詞：模擬電路神經(jīng)X絡(luò)故障診斷　　:TN707：A：1007-9416(2011)11-0225-02　　　　1、引言　　20世紀60年代初,人們就開始著手對電路故障自動診斷進行研究，模擬電路中的元件具有容

2、差和非線性等原因，使得模擬電路的故障診斷復雜，發(fā)展較緩。而以非線性數(shù)學理論為基礎(chǔ)的神經(jīng)X絡(luò)科學，為模擬電路故障診斷提供了新的思路?！　∩窠?jīng)X絡(luò)是一種非線性動態(tài)運算模型，模仿人腦工作，突出的分布式存儲和并行協(xié)同處理信息的能力，使它在復雜環(huán)境、未知背景、不規(guī)則問題方面得到了較廣的應(yīng)用，將神經(jīng)X絡(luò)應(yīng)用故障診斷就是最好的例子，神經(jīng)X絡(luò)高度的自學習和自組織能力，使得這一運算模型具有全局性，這一特性成為故障診斷的有效手段，基于神經(jīng)X絡(luò)的模擬電路診斷方法以測試得到的過程參量為依據(jù)，通過神經(jīng)X絡(luò)模型將測量空間和故障空間建立關(guān)聯(lián)，從而做出電路故障診斷?！　?、神經(jīng)X絡(luò)　　1986年Rumelhant和Mcll

3、elland科學家提出的BP(BackPropagation)神經(jīng)X絡(luò),是一種按誤差反傳算法訓練的多層前向X絡(luò),是當前使用最廣泛的神經(jīng)X模型,無需事前知道輸入和輸出之間的映射關(guān)系,能夠進行自學習。　　BP神經(jīng)X絡(luò)是由一個輸入層、多個隱含層和一個輸出層組成的多層前饋X絡(luò)，如圖1所示神經(jīng)X絡(luò)輸入節(jié)點為是神經(jīng)X絡(luò)的第零層，不具備計算功能，各層節(jié)點表示具有計算功能的計算單元，圖示X絡(luò)由前至后依次為第1到第N層，構(gòu)成m層前向X絡(luò)，X絡(luò)輸出為，X絡(luò)中的第一節(jié)點層和輸出節(jié)點層為可見層，中間層稱為隱含層，由上圖看到，神經(jīng)X絡(luò)通常有一個或者多個隱含層。　　BP神經(jīng)X絡(luò)在學習過程中分為正向和反向兩個過程，信號樣

4、本值從輸入層輸入，經(jīng)多層隱層處理后到達輸出，這個過程是正向傳輸，當輸出和期望值不一致時，信號轉(zhuǎn)向反向傳播，此時將輸出誤差通過多節(jié)隱層逐層向前傳輸，在這一過程中，輸出誤差會分攤到各層單元，這也作為修正各單元權(quán)值的依據(jù)，信號的正向傳輸和誤差的反向傳輸共同構(gòu)成了神經(jīng)X絡(luò)的學習過程，這個過程不斷循環(huán)進行，權(quán)值逐步修正，最終使得誤差達到一個可接受的值，正是由于這一學習過程，使得神經(jīng)X絡(luò)具備高度自我調(diào)整的能力?！　⊥ㄟ^上面的分析得出神經(jīng)X絡(luò)的誤差是各層權(quán)值和輸入樣本的函數(shù)，如函數(shù)式1，誤差函數(shù)E在多維空間中是一個復雜曲面，曲面平坦的區(qū)域表示誤差下降緩慢，對權(quán)值的變化不敏感，這個曲面中也存在凹凸，低凹點即

5、函數(shù)的極小點，此處誤差梯度為0，當模型訓練過程中常會陷入這些極小點，很難收斂于給定值，標準的BP算法一種簡單的快速下降尋優(yōu)算法，它沒有考慮到以前積累的經(jīng)驗，表現(xiàn)為收斂速度慢、出現(xiàn)局部極值等現(xiàn)象。　　通過上面的分析得出神經(jīng)X絡(luò)的誤差是各層權(quán)值和輸入樣本的函數(shù)，如函數(shù)式1，誤差函數(shù)E在多維空間中是一個復雜曲面，曲面平坦的區(qū)域表示誤差下降緩慢，對權(quán)值的變化不敏感，迭代次數(shù)增多，調(diào)整時間長，這個曲面中也存在凹凸，低凹點即函數(shù)的極小點，此處誤差梯度為0，當模型訓練過程中常會陷入這些極小點，很難收斂于給定值，標準的BP算法一種簡單的快速下降尋優(yōu)算法，它沒有考慮到以前積累的經(jīng)驗，表現(xiàn)為收斂速度慢、出現(xiàn)局部

6、極值等現(xiàn)象。　　將神經(jīng)X絡(luò)應(yīng)用于電路故障診斷時，需要注意以下幾個方面：　　2.1調(diào)整步長　　標準BP算法中，步長（也稱學習速率）是固定值，在模擬電路故障診斷過程中，就很難找出一個合適的值去適應(yīng)整個電路X絡(luò)的誤差調(diào)整，結(jié)合前面誤差曲面的分析，對于平坦區(qū)域，步長太小使得訓練次數(shù)增大，這時希望值大一些；在凹凸區(qū)域，步長太大會出現(xiàn)跨過較窄的凹處，出現(xiàn)震蕩訓練，增加了迭代次數(shù)，不同的區(qū)域?qū)Σ介L有不同的要求，學習速率最好能夠具備自適應(yīng)的能力，加速收斂。比如可以根據(jù)X絡(luò)總誤差來調(diào)整:在X絡(luò)經(jīng)過一次權(quán)值調(diào)整后，若增加，則本次調(diào)整無效。若總減小，則有效?！　?.2增加動量項　　標準BP算法在調(diào)整權(quán)值時，不考慮

7、t時刻以前誤差的梯度方向，只對t時刻的梯度下降方向做調(diào)整，這樣的調(diào)整會使學習過程產(chǎn)生振蕩，收斂變緩，為了改善這一情況，在權(quán)值項中增加動量項，如公式2，稱為動量系數(shù)，定義動量項反映了以前積累的調(diào)整經(jīng)驗。當誤差梯度出現(xiàn)局部極小時，雖然，但，使其跳出局部極小區(qū)域，加快迭代收斂速度?！　?.3引入陡度因子　　在誤差函數(shù)曲面上的平坦區(qū)域，由于轉(zhuǎn)移函數(shù)S的飽和特性使得調(diào)整權(quán)值過程較緩，所以引入陡度因子來防止飽和，具體方法