《基于神经网络的电子线路故障诊断dkjp.docx》由会员分享，可在线阅读，更多相关《基于神经网络的电子线路故障诊断dkjp.docx（52页珍藏版）》请在taowenge.com淘文阁网|工程机械CAD图纸|机械工程制图|CAD装配图下载|SolidWorks_CaTia_CAD_UG_PROE_设计图分享下载上搜索。
1、1 绪论论随着现代代化大生生产的发发展，电电子线路路故障诊诊断技术术的研究究越来越越重要。根据电子线路的特点可将电子线路故障诊断分为模拟电路的故障诊断和数字电路的故障诊断。在现代电子设备中，绝大部分电子设备故障是由于模拟电路故障导致的，可以说，模拟电路的可靠性几乎决定了电子设备的可靠性。1.1 模拟电电路故障障诊断的的背景意意义目前，模模拟电路路在航天天、通信信、自动动控制、家家用电器器等许多多方面得得到广泛泛地应用用。随着着电子技技术的发展,模拟电路路的集成成程度越越来越高高,规模越越来越大大。因此此，对模拟电路路的工作作的有效效性、可可靠性、可可维修性性等提出出了更高高的要求求。在模拟电路
2、路故障发发生后,要求能能及时将将导致故障障的原因因诊断出出来,以以便检修修和替换换。对模模拟电路路的生产部部门来说说,同样也也要求能能及时诊断断出故障障，以便便改进工工艺,提提高产品品的合格格率。对对于某些些重要设设备中的的模拟电电路，还还要求进进行故障障的预测测，即对对正常工工作中的的模拟电电路进行行不断的的检测，在在元件发发生故障障前就进进行替换换，以避避免故障障的发生生。根据据电子技技术的发发展状况况，由以以下三点点说明模模拟电路路故障诊诊断技术术的紧迫迫性:第一，微微电子学学时代的的到来,电子线线路的复复杂性和和密集性性明显增增加, 成千上上万个电电路元器器件集成成在一个个小芯片片上,
3、而而对这些些电路元元器件的的测试仅仅限于为为数有限限的引出出端子之之上，如如此,通通常的测测量，微微调的手手段将不不再实用用甚至无无济于事事。第二，在在无线电电电子系系统中, 数字字电路不不能完全全取代模模拟电路路，数字字电路的的故障诊诊断方法法也不能能取代模模拟电路路的故障障诊断方方法。第三，现现代电子子系统复复杂度的的增加,系统的的可靠性性显得更更为重要要,因此此,必须须提高电电子系统统的可靠靠性。综上所述述,工业业生产对对模拟电电路提出出了新的的要求,微电子子技术的的快速发发展对模模拟电路路的测试试和诊断断也提出出迫切的要要求,这就就使得科科技人员员不得不不进一步步探索模模拟电路路的测试
4、试和诊断断上的新新理论和和新方法,研发新的的测试和和诊断设设备以适适应时代代的需求求。所以，开开展模拟拟电路故故障诊断断的研究究是一项项非常有有意义的的课题。1.2 模拟电电路故障障诊断的的发展与与现状相对于数数字电路路故障诊诊断而言言，模拟拟电路故故障诊断断的发展展较为缓缓慢，其其中主要要原因有有以下六六点：1）故障障状态的的多样性性。模拟拟电路的的输入、输输出信号号和元件件参数都都是连续续的，电路中中任何一一个模拟拟元件都都有可能能具有无无穷多种种故障状状态，因因此，很很难对模模拟电路路故障进进行模拟拟和仿真真。2）诊断断的信息息量有限限。由于于实际条条件的限限制，模模拟电路路中的电电流通
5、常常不容易测测量，可可测量的的电压节节点也往往往是有有限的，所所以模拟拟电路供供诊断的的特征信信息是有有限的，这这就容易易造成故故障定位位的模糊糊性。3）存在在容差。实际应用中的模拟电路元件都会有容差，即电路元件参数在其容差范围内有随机的偏移。电路中普遍存在的容差通常可等效为一个或者多个元件的“大故障”，这就容易导致电路故障的可测性变差。4）非线线性问题题。模拟拟电路中中通常含含有非线线性元件件，因此此模拟电电路庞大大的计算算量是不不可避免免的。此此外，模模拟电路路通常还还包含大大量的反反馈回路路，也增增加了测测试的复复杂性。5）抗干干扰能力力差。模模拟电路路对环境境变化非非常敏感感，易受受热
6、效应应和外界界噪声等环境因因素的影影响。其其输出响响应也容容易受到因为为工艺偏偏差而引引起的电电路元件件参数变变化的影影响。6）故障障模型化化困难。模模拟电路路的输入入与输出出之间的关关系较为为复杂并并且模型型化困难难。可以成成功应用用在数字字电路故故障诊断断中的模模型并不不能适用于于模拟电电路故障障诊断，而而模拟电电路故障障诊断至至今仍然然缺乏有有效的通通用的故故障模型型。以上六个个方面的的问题是是模拟电电路中普普遍存在在的问题题，也是是模拟电电路故障障诊断的的难点。尽管存在这些困难，但仍然有许多研究者们致力于模拟电路故障诊断的研究。1960年，R.S.Berkowitz提出了关于模拟电路故
7、障诊断的可解性分析1，研究出了无源线性集总电路元件可解性的必要条件，从此模拟电路故障诊断的理论研究开始了。20世纪70年代出现了一些新的故障诊断原理和方法，其中最突出的成果是参数辨识法与故障字典法，1979年国际电气与电子工程师协会（IEEE）为这两项重要成果出版了模拟电路故障诊断的专辑2，使得模拟电路故障诊断领域得到进一步的发展。但是这些方法不足之处在于要求电路具有较多的测试点，并且计算量大，难以在实际中得到应用。20 世纪80年代提出了一种新的故障诊断方法，即故障验证法，该方法的出现给故障诊断领域增添了新的活力，故障诊断的研究者们从故障诊断的实际出发，将研究的重点从求解全部元件值转变到求解
8、一部分的元件值，以此来确定故障元件或者故障区域，并将之分成故障元件求值与故障定位两部分，大大减小了计算量，削弱了诊断条件。1985年，J.W.Bandler与A.E.Salama对模拟电路故障诊断的理论做了系统的论述3，模拟电路故障诊断理论从此形成了。20世纪90年代初期，伴随人工智能技术的发展，尤其是人工神经网络在不同领域里的广泛运用，故障诊断技术也向着智能化的方向发展。利用神经网络来完成故障状态的分类和故障字典的查询，既提高了故障诊断效率，同时利用神经网络所具有的泛化能力，使得实现对电路软故障的诊断成为可能。在国内，对对模拟电电路的测测试与故故障诊断断的研究究一直都都是被关关注的研研究方向
9、向。自80年代代末以来来，国内内相继出出版了杨杨士元4等等人的专专著。近近年来发发表了一一系列关关于应用用神经网网络的模模拟故障障诊断的的学术论论文。提提出了基基于神经经网络的的五种模模拟电路路故障诊诊断的方方法：一一是提出出了采用用模糊神神经网络络对模拟拟电路进进行故障障诊断的的方法，但但隶属度度函数的的选取问问题仍然然是一个个难点；二是采采用遗传传算法对对BP(Bacck-Prooparrga-tioon) 网络络进行辅助助设计和和优化之之后，再进行模模拟电路路故障诊诊断的方方法；三是构造造了一种种新型神神经网络络电路故故障诊断断专家系系统，但但仅给出出理论框框架，离离实验还还有一定定的距
10、离离；四是是分别使使用小波波变换和和小波包包变换对对输出电电压响应应的故障障特征进进行提取取，提出出了基于小小波变换换和神经经网络的的模拟电电路故障障诊断方方法；五五是构造造模糊 BP 网络故故障分类类器融合合被诊断断元件的的2个物物理量(温度和和电压)，以确定定故障元元件。本本文采用用两种方方法进行行模拟电电路故障障诊断研研究：一一种是基基于BPP神经网网络的模模拟电路路故障诊诊断方法法；另一一种是先先利用遗遗传算法法优化BBP神经经网络，然然后再利利用优化化后的网网络进行行模拟电电路故障障诊的方方法。1.3 研究内内容与论论文组织织本文主要要是利用用神经网网络进行行模拟电电路故障障诊断的的
11、研究，采采用BPP和GA-BP两两种网络络对模拟拟电路故故障进行行了诊断断，仿真真效果表表明基于于神经网网络的模模拟电路路故障诊诊断系统统不但诊诊断速度度快而且且准确度度高，具具有广阔阔的应用用前景。本文的各各章节组组织安排排如下：2 人工工神经网网络简介介人工神经经网络(Artt1fiiciaal NNeurral Nettworrk,简简称ANNN)是模仿生生物大脑脑的结构构和功能能，由大大量类似似于生物物神经细细胞的非非线性处处理单元元（人工工神经元元）相互互联接而而成的网网络，简简称神经经网络。2.1 神经网网络发展展及其特特点2.1.1 神神经网络络发展过过程神经网络络的研究究至今已
12、已有七十十多年的的历史,下面分分三点进进行阐述述。（1）发发展初期期心理学家家W.MMccuullooch和和数学家家W.PPittts在19443年合作提提出了形形式神经经元的数数学模型型（MP模型型）5，从此此开创了了神经网网络的研究。心心理学家家D.HHebbb在19449年指指出66神经经元之间间突触联联系强度度可变的的假设，即即改变神神经元连连接强度度的Heebb规规则，为为神经网网络的学学习算法法奠定了了基础。计计算机学学家Roosennblaatt7 在19957年年提出感感知器（Perceptron）模型，第一次把神经网络研究从纯理论的探讨付诸于工程实践。Widrow在1960
13、年提出了自适应线性元件（Adaline）8，它是连续取值的线性网络，主要应用在自适应系统中，这与当时占主导地位的以符号推理为特征的传统人工智能途径完全不同，因而形成了神经网络研究的高潮。（2）低低潮时期期Minssky和和Pappertt在19669年出出版了一一本关于于感知器器的书籍籍9，发现现了感知知器存在在一些不不足，如如对于求求解异或或问题，因因而研究究工作趋趋向低潮潮。不过过仍有不不少学者者继续研研究神经经网络。Grossberg10提出了自适应共振理论；Kohonen提出了自组织映射网络模型111213；Fukushima提出了神经认知机网络理论等。这些都是在20世纪70年代和20
14、世纪80年代初进行的工作。（3）第第二次高高潮时期期进入世纪纪80年代代，神经网网络研究究再次高高潮。美美国物理理学家HHopffielld在19882年提出了了Hoppfieeld神神经网络络模型 144，有力地地推动了了神经网网络的研研究。他他引入了了“计算能能量函数数”的概念念，给出出了网络络稳定性性判据。在在19884年他他用此模模型成功功地解决决了复杂杂度为NNP的旅旅行商问问题（TTSP）。Felemann和Balllard的连接网络模型指出了传统的人工智能计算与生物计算的区别，给出了并行分布的计算规则。1986年，Rumelhart等人提出并行分布处理（PDP）的理论，同时提出了
15、多层网络的误差反向传播学习算法，简称BP算法15。这种算法根据学习的误差大仙，把学习的结果反馈到中间层次的隐单元，改变他们的权系数矩阵，从而达到预期的检测目的，解决了多层网络的学习问题。BP算法从实践上证明了神经网络的运算能力很强，可以完成许多学习任务，解决许多具体问题。BP网络时迄今为止最常用、最普通的网络。（4）新新的发展展阶段上世纪990年代代，Naarenndraa和Parrthaasarrthyy提出了了推广动动态神经经网络系系统及其其连接权权的学习习算法16，其具具有非线线性特性性，增强强了神经经网络的的鲁棒性性。另外外，在19995年，Jennkinns提出出了光学学神经网网络1
16、17，可以发发挥光学学的互连能能力和并并行处理理能力，加加强了神神经网络络的自适适应能力力与学习习能力，光光学神经经网络的的神经元元之间的的连接权权不但数数量大而而且动态态控制结结合强度度，可以以实现高高速运算算，极大大地促进进神经网网络的发发展。在国内，对对神经网网络的研究开始始于200世纪800年代末末，中科科院的汪汪云九先先生起到到了先导作作用118。19997年，申金金媛提出出了多目目标旋转转不变分分类识别别的新方方法，也也就是基基于联想想存储级级联WTTA模型型的旋转转不变识识别119。在在识别多多模式时时可以联想想到一个个模式，采采用全单单极的形式，对对互连权权值实行行二值化化截取
17、，同同时把联联想存储储模型和和WTAA模型级级联起来来，如此此，提升升了存储储容量和和容错性性。19994年年，廖晓晓昕对细细胞神经经网络提提出了新新的数学学理论20，推动动了该领领域的发发展。吴吴佑寿提提出了传传递函数数可调的的神经网网络，这这对神经经网络理理论的发发展具有有十分重重要的意意义。以以上研究究开拓了了神经网网络的应应用领域域。2.1.2 神经网网络的特特点神经网络络模拟了了生物神神经系统统的一些些特征，从从而具有有一些与与传统数数字计算算机不同同的特点点，具体体有下面面几点：（1）非非线性映映射从本质上上而言，神神经网络络就是一一个非线线性系统统，可以以实现从从输入空空间到输输
18、出空间间的非线线性映射射，具有有较强的的非线性性信息处处理能力力。工程程界普遍遍面临的的问题就就是寻求求输入空空间到输输出空间间之间的的非线性性关系模模型，神神经网络络可以很很好地模拟大部部分无模模型的非非线性系系统。（2）固固有的并并行结构构神经网络络在结构构上是并并行的，在在信息处处理顺序序上也是并并行的，神神经网络络同一层层内的神神经元都都是同时时工作的的。因此此，利用用超大规规模的集成硬硬件实现现的神经经网络可可以大大大提高信息息处理速速度。（3）泛泛化能力力神经网络络的泛化化是指对对不在训训练样本本集中的的数据，网网络也可可以产生生合理的的输出。神神经网络络信息分分布存储储的特征征，
19、使之之对外界界输入信信息和输输入模式式具有联联想记忆忆的能力力。（4）容容错性神经网络络具有天天生容错错的能力力（也称称鲁棒性性），即即其性能能在不利利于运行行的条件下下是逐渐下下降的，如如果一个个神经元元或者神神经元的的连接被被损坏了了，则存存储模式式的记忆忆能力将将会降低低。由于于神经网网络信息息分布式式存储的的特性，在在网络的的严重恶恶化之前前这种破破损是分分散的。因因此，神神经网络络的性能能是一个个缓慢变变化的过过程而不不是灾难难性的改改变。为为确保神神经网络络的容错错性，在在设计神神经网络络的算法法时应进进行正确确的度量量。（5）自自适应性性由于神经经网络经经过学习习可以调调整自身身
20、的突触触权值和和阈值，从从而具备备适应外外界变化化的能力力。神经经网络的的自适应应性主要要体现在在学习性性、可训训练性、自自组织能能力以及及推理能能力这四四个方面面。2.2 神经网网络原理理2.2.1 神神经网络络基本结结构单元元神经元是是神经网网络的基基本单元元,它类类似于生生物体的的神经系系统基本本单元,神经元元是一个个多输入入单输出出的结构,其功能能是模拟拟生物神神经元最最基本的的特征，图1为神神经网络络中的第第个神经经元的结结构示意意图。神经元是是一个多多输入、单输出出的非线线性元件件,其输输入输出出关系可可以描述述为 （1）其中，为为的输入入信号, 为神经经元单元元阈值, 为神经经元
21、的连连接输入入信号的的权值，为输入入信号数数目。为为神经元元输出, 为激活函函数，也也称为传传递函数数。激活函数数不仅是是一个神神经元的的核心也也是神经经网络的的核心，其其特性曲曲线光滑滑且可导导，它是是神经网网络具有有非线性性分类能能力的根根源。通通常，称称一个神神经网络络是线性性还是非非线性是是由神经经网络神神经元所所具有的的激活函函数的线线性或非非线性来来决定的的。在实际际应用中中,最常常用的输输出函数数是Siigmooid函函数函数数,常用用的有线线性型、阈阈值型和S型(Siggmoiid)等等。常用用激活函函数的表表达式为为:（1）线线性型神经元函函数连续续取值,输入有连接接矩阵加加
22、权产生生输出,其激活活函数表表达式为为: （22）线性激活活函数可可以获得得较大值值域范围围。(2)阈阈值型这是一种种非线性性模型,改函数数有两种种不同取取值情况况：一种种是当输输入为，输输出值为为+1或-1时，的表达式为 （33）第二种情情况是当当输入为为，输出出值为11和0时时，的表表达式为为： （44）(3) S型S型函数数是连续续单调可可微的函函数，也也有两种种表达式式：一种种是对数数siggmoiid函数数，即llogssig函函数，输输出取值值范围为为（0,1）。当当输入为为， 的表达达式为 （55）第二种是是正切ssigmmoidd函数，即即tannsigg函数，输输出取值值范围
23、为为（-11,1），输输入为， 的表达达式为： （66）2.2.2 神神经网络络的构成成神经网络络是由许许多互相相连接的的神经元元构成的的网络。按按神经元元连接方方式的特特别痛可可以把神神经网络络的拓扑扑结构分分为两大大类，即即层状结结构与网网状结构构。层状结构构的神经经网络是是由若干干层构成成的,其其中第一一层是网网络的输输入层,最后一一层是网网络的输输出层,在输入入层与输输出层之之间的是是网络的的隐含层层。神经经网络的的每一层层都包含含了一定定量的神神经元。每每一层神神经元与与前一层层神经元元的输出出相连接接,而同同一层内内的神经经元互不不连接。按按照层与与层之间间是否存存在反馈馈连接,又
24、可以以把层状状结构的的神经网网络分成成两种，即即前馈网网络和反馈网网络。前馈网络络（又称称前向网网络）的的特点是是相邻两两层之间间的神经经元互相相连接,各神经经元之间间无反馈馈。网络络中的每每个神经经元可接接收来自自前一层层的多个输输入,并并产生一一个输出出传给下下一层的的神经元元,输入入信息只只能从输输入层开开始一层层一层向向前传递递。反馈网络络在网络络的输出出层与隐隐含层之之间或在在隐含层层与隐含含层之间间存在反反馈连接接,即网网络中的的神经元元同时接接收来自自前一层层神经元元的前馈输输入和来来自后一一层神经经元的反反馈输入入。Hpoofieeld网网络就是是一种最最典型的的反馈神神经网络
25、络。此外,递归神神经网络络(Reccurrrentt Neeuraal NNetwworkk，简称称RNNN)也是是目前一一种常用用的反馈馈网络。网状结构构的神经经网络（又又称互联联网络）的的特点是是在任何何两个神神经元之之间都具具有双向向的连接接关系,即每个个神经元元既可以以是输入入节点,也可以以是输出出节点。因此,输入信信号在各各个神经经元之间间反复传传递,从从初始状状态开始始,直到到趋于某某一稳定定状态或或进入周周期振荡荡状态为为止。随随着神经经元个数数的增加加,互联联网络的的结构会会快速复复杂化,将会增加加网络的的计算量量。2.2.3 神神经网络络的学习习机制神经网络络的权值值和阈值值
26、反映了了神经网网络的存存储信息息,在神经经网络的结结构和激激励函数数确定了了以后,必须经经过学习习,使网网络权值值和阈值值的分布布达到某某种输入入输出关关系的要要求。学习就就是应用用一系列列的输入入矢量样样本,通通过预先先确定的的学习算算法来调调整网络络的权值值和阈值值。神经经网络的的学习算算法可分分为有监监督学习习和无监监督学习习两大类类。有监督学学习中，需需要为学学习规则则提供一一系列正正确的网网络输入入/输出出的实例例,即训训练样本本。如，其其中，分分别表示示网络的的输入和和相应的的期望输输出。当当网络输输入时，将将网络输输出和相相应的期期望值进进行比较较，然后后应用学学习规则则调整权权
27、值和阈阈值，使使网络的的输出接接近于期期望值。误差反向传播算法，即BP算法是一种有监督学习算法。无监督学学习中，权权值和阈阈值的调调整只与与网络的的输入有有关系，没没有有效效的期望望值。在在学习过过程中,根据某种种规则反反复调整整网络权权值和阀阀值,直直到趋于于某种稳稳定的状状态。这这类算法法大多用用聚类法法，将输输入模式式归类于于有限的的类别，尤尤其应用用于向量量中。HHebbb学习规规则是一一种典型型的无监监督学习习算法。神经网络络经过学学习后,权值和和阈值中中储存了了学习样样本中信信息,就可以以根据新新输入矢矢量,给给出相应应的输出出矢量。3 基于于BP神神经网络络的模拟拟电路故故障诊断
28、断3.1 BP神神经网络络BP网络络是一种种多层前前馈型神神经网络络，它可可以实现现从输入入到输出出的任意意非线性性映射。由由于权值值的调整整采用误误差反向向传播,因此称称其为BBP网络络。目前前，在人人工神经经网络的的应用中中，绝大大部分的的神经网网络模型型都采用用BP网络络及其变变化形式式。它也也是前向向网络的的核心部部分，体体现了人人工神经经网络的的精华。BP网络主要用于以下四方面：函数逼近近：用输输入矢量量和相应应的输出出矢量训训练一个个网络以以逼近一一个函数数。模式识别别：用一一个待定定的输出出将它与与输入联联系起来来。分类：把把输入矢矢量所定定义的合合适方式式进行分分类。数据压缩缩
29、：减少少输出矢矢量维数数以便于于传输或或存储。3.1.1 BBP神经经网络结结构BP神经经网络通通常是由输入入层、隐含层层和输出出层组成成, 根据具具体问题题的需要要，网络络可以含含有多个个隐层。BP网络的层与层之间互相连接,每层神经元之间无连接。网络输入层的神经元个数取为输入向量的维数,网络输出层神经元的数目取为输出向量的维数。网络隐层神经元个数的取值目前还没有一个确定的标准来确定,其值通常是通过反复地试验试凑之后,将最适合网络的隐层节点数目作为最终选择。本论文选择具有双隐层的BP神经网络进行说明,其拓扑结构如图2所示。第一层为网络的输入层，有R个输入、s个神经元，第二层有s个输入、h个神经
30、元，第三层有h个输入、k个神经元，第四层为网络的输出层。3.1.2 BBP神经经网络的的训练(1)BBP 算算法基本本思想BP神经经网络主主要由三三大部分分组成，即即网络的的拓扑结结构、各各层神经经元的传传递函数数(也称称激励函函数)和和学习规规划。BBP神经经网络的的学习过过程如图图3所示示，一般般工作顺顺序为：首先接接收一组组训练样样本集的的输入，再再依次计计算网络络各层的的输出，完完成前向向过程（Forward Pass）；然后根据网络的实际输出值与期望输出值，计算网络的误差；最后根据误差反向传播的规则，依次调整输出层和隐层之间、各个隐层之间以及隐层与输出层之间的权值和阈值，以达到减少误
31、差的目的，完成误差反向传播过程（Error Back Propagation）。由于网络输出误差是由网络的输入、输出以及期望输出所决定的，而网络的权值和阈值又是按照误差来调整的，所以这三者的所有信息都存储在网络的权值和阈值中。随着网络学习过程的进行，各层之间的权值不断地调整，误差会不断地减小，最后网络的输出将以设定的精度接近于网络的期望输出。网络学习过程结束以后，已被学习的样本的有效信息会被存储到网络的权值中，当有相似的输入时，BP神经网络就会有相近的输出。图3 BBP神经经网络学学习过程程(2) BP 算算法BP神经经网络学学习规则则的基本本思想是是：对网网络的权权值和阈阈值的调调整是向向着
32、函数数下降最最快的那那个方向向，即负负梯度方方向。 （77）其中，表表示为当当前网络络的权值值和阈值值矩阵，表示为当前表现函数的梯度，表示为网络学习速度。下面详细介绍BP算法的推导过程。本文以三三层BPP网络为为例进行行说明，设设第个输输入节点点为，第第个隐层层节点为为，第输出出节点为为。输入入节点到到隐层节节点间的的网络权权值为，阈阈值为；隐层节节点到输输出节点点间的网网络权值值为，阈阈值为。当网络络输出节节点期望望值为，输输出节点点总数为为个，模模型的计计算公式式为： （550）BP网络络学习算算法的具具体步骤骤如下：a) 网络初始始化，主主要包括括确定网网络各层层的神经经元个数数，设定定
33、目标精精度和迭迭代次数数，进行行权值和和阈值初初始化；b) 输入训练练样本集集供BPP网络学学习；c) 计算网络络各层的的输出；d) 将网络实实际输出出值与期期望值比比较，求求各层的的输出误误差；e) 如果实际际误差小小于设置置的误差差精度或或者迭代代次数达达到了预预设的次次数，则则停止，否否则，则则继续下下一步；f) 将计算误误差进行行反向反反馈调整整网络的的权值和和阈值；g) 重复进行行步骤bb）e）。BP算法法的程序序流程如如图4所所示。（3）BBP算法法特点从本质上上来说，BP算法法就是将将样本的的输入输输出问题题转变成成非线性性优化的的问题，其其使用了了优化技技术中的的梯度下下降算法
34、法，利用用迭代运运算来求求解权值值，就相相当于学学习记忆忆。其主要要特点是是实现起来来简单，学学习时间间长。BBP网络络的学习习过程就就是求一一个非线性性函数的的全局最最优解的的过程，倘倘若陷入入局部最最优值，则则达不到到学习目目的。（4）改改进的BBP算法法BP算法法本质上上为梯度度下降法法，其所所要求的的目标函函数又较较为复杂杂，这必必会导致致BP算法法的效率率较低。为为加快BPP网络的的学习速速度，研研究者们们提出了了许多改改进算法法。BPP算法的改改进主要要包括两两种途径径：一种种是使用用启发式式学习算算法，即分析析表现函函数的梯梯度，其其中含有有弹性梯梯度下降降法（ttraiinrp
35、p）、自自适应学学习速率率梯度下下降法(traainggda)、有动动量的梯梯度下降降法（ttraiingddm）等等。另一种种途径为为基于数数值最优优化理论论的学习习算法，其其中含有有高斯-牛顿法法、共轭轭梯度法法和Leevennberrg-MMarqquarrdt方方法。由由于弹性性梯度下下降法具具有简单单易行、收收敛速度度快等优优点，本本文后面面将用这这种改进进算法作作为BPP网络的的训练函函数，下下面对该该方法进进行详细细地介绍绍。将弹性梯梯度下降降法作为为BP网络络的训练练函数时时，网络络权值的的调整仅仅由目标标函数偏偏导数的的符号决决定,而不必必考虑函数数偏导数数的幅值值。其基基本
36、原理理是：权权值和阈阈值的变变化大小小由不同同的修正正值决定定。当前前两次训训练时导导数的正正负号没没有改变变，权值值和阈值值的修正正值随着着参数增增加；当当前两次次训练时时导数的的正负号号有改变变，权值值和阈值值的修正正随着减减小；如如果导数数为零，则则修正值值不变。这这样调整整的结果果是，权权值的变变化呈震震荡的趋趋势，不不过权值值的变化化量逐步步减小了了。如果果权值变变化连续续几次都都在同一一个方向向，则增增加权值值的变化化量级。弹弹性梯度度下降法法的迭代代公式为为: （551）其中,表表示前一一次的修修正值,为目标函函数的梯梯度。该算法通通常比启启发式学学习算法法中的其其他算法法的收敛
37、敛速度要要快,并且此此算法简简单易行行，占用用内存也也较少。3.1.3 BBP网络络应用特特点若把BPP网络的的功能视视为一种种从输入入到输出出的高度度非线性性映射，设设输入节节点数目目为M个，输输出节点点数目为为N个，那么么BP网络络就可以以实现从从M维的欧欧氏空间间到N维维的欧氏氏空间的的映射，从从原则上上来讲，对对M和N是没有大大小限制制的，因此，BBP网络络在众多多领域中中获得广广泛的应应用。BBP网络络的应用用特点主主要有下下面几点点：1）工作作速度高高。人工工神经网网络体系系在结构构上有两两大特性性：一是是并行性性的数据据处理方方式；二二是数据据存储的的分布性性可以解解决冯诺依曼曼
38、体系中中的“处理器器存储储器瓶颈颈”。因此此，BPP网络的的工作速速度很高高，便于于使用超超大规模模集成电电路（VVLSII）的技技术来实实现可以以充分利利用到硬件的的超高速速。2）BPP算法的采采用。BBP网络络的拓扑结结构是一一个多层层前馈性性网络，各各层神经经元的传传输函数数是可导导函数。BBP网络络能成为为一种十十分有效效的有监监督学习习网络的的原因是是其获取取知识的的一种十十分有效效学习算算法。3）泛化化能力强强。 泛泛化（又又称推广广）能力力是指通通过训练练后的神神经网络络对没有有在训练练样本集集中出现现过的样本本可以做出出正确反反应的一一种能力力。而BBP网络络的泛化化能力主主要
39、依赖赖于网络络的设计计。例如如利用足够够的且具有代代表性的的样本训训练出的的网络的的泛化能能力较强强。除此此之外，还可通过在在训练样样本的输输入信号号中加入入噪声的的方法来来提高BPP网络的的泛化能能力。4）适用用范围。BP网络适用于求解函数逼近、模式识别、分类、数据压缩等非精确解的问题。对于求解精确解一类的问题，其并不适用。5）对内内部硬件件故障具具有良好好的容错错性。BP网络络是一个个分布式式的并行处处理系统统，输入入信息储储存在整整个系统统中，网网络中的的每一个个神经元元以及每每一个连接接都对网网络的整整体性能能有贡献献，但是是这种贡贡献往往往又都是是比较微微小的。所所以当出现一一定比例
40、例的神经经元或者者连接损损坏的情情况时，仅仅可能使使系统的的整体性性能有所所下降，而而很难使使整个系系统完全全失效，因此BP网络具有较强容错性。3.2 基于BBP神经经网络的的模拟电电路故障障诊断实实例3.2.1 诊诊断电路路选择与与训练、测测试样本本集的采采集（1）诊诊断电路路选择功率放大大器（PPoweer AAmpllifiier）在在整个音音响系统统中起到到了组织织、协调调的枢纽纽作用，在在某种程程度上主主宰着整整个系统统能否提提供良好好的音质质输出。设设计功放放电路的的基本要要求是在在负载一一定的情情况下，输输出的功功率尽可可能大，输输出信号号的非线线性失真真尽可能能地小，效效率尽可
41、可能的高高。本文文以功率率放大器器电路作作为模拟拟电路故故障诊断断对象。如如图5是是一个功功率放大大器电路路，本章章将分别别利用BBP神经经网络和和基于遗遗传算法法优化的的BP网络络对其进进行仿真真分析。（2）神神经网络络的训练练样本集集采集本文利用用Multtisiim仿真真软件对对功率放放大电路路进行仿仿真，由由于电路路中的节节点电压压对电路路中的故故障状态态较为敏敏感，因因此本文文以电路路中的各各节点电电压的有有效值作作为模拟拟电路故故障数据据的特征征参量，即即在电路路故障时时，将电电路中各各节点的的电压值值作为体体现该故故障状态态的参量量。在图5中中，功率率放大器器电路的的输入信信号V
42、ii是幅度度为2000mvv，频率率为1KKhz的的正弦信信号。通通过分析析电路的的拓扑结结构，根根据电路路元件的的故障率率以及模模拟电路路故障诊诊断的经经验，了了解到功功率放大大器电路路产生多多故障（一一个或多多个元件件同一时时间出现现故障）的的概率极极少，通通常为单单故障（一一个元件件故障），功功率放大大器电路路的所有有典型的的故障状状态如表表1所示示。本文采集集训练样样本的方方式为：首先选选择功率率放大器器电路中中标明的的1116号可可测节点点作为电电压测试试节点；然后在在每一种种故障状状态下，测测量电路路中166个可测测节点的的电压值值，并将将测量数数据保存存在表22、表33中。完完成
43、上面面两步即即完成了了BP网网络训练练样本的的采集工工作，表表2、表表3中的的数据即即为BPP神经网网络的训训练样本本集。需要说明明的有以以下三点点：1）本文文元件故故障的设设置是利利用Muultiisimm软件人人为地设设设置开开路和短短路状态态。2）电阻阻R3和电电位器RRp1在在断路状状态下各各节点电电压值相相差无几几，所以以作为一一种故障障状态处处理。电电位器RRp2和和二极管管D1也做做一样处处理。3）电阻阻RL表示示扬声器器。功率放大大器电路路在工作作正常和和故障时时各节点点的电压压数据以以及各种种状态下下对应的的二进制制编码如如表2、表表3。电电压值都都以毫伏伏（mvv）为单单位
44、，小小数点后后保留三三位有效效数字。由于电路的输入信号电压V17=141.419mv、直流电源Vcc=12V、直流负电源Vee=-12v在电路工作正常与故障时取值都不变，因此在表中不予给出。（3）测测试样本本集模拟电路路元件普普遍存在在容差，因因此在故故障状态态所测试试的数据据通常不不会为恒恒定值。由由于神经经网络的的训练样样本都是是理想值值，为突突出神经经网络的的泛化能能力、鲁鲁棒性等等优点，本本文等间间隔地从从训练样样本集中中选择几几组训练练样本，将将选择的的样本中中的每一一个数值值的容差差作为网网络的测测试样本本。3.2.2 BP网网络诊断断模拟电电路故障障用BP网网络实现现对模拟拟电路
45、故故障诊断断相当于于在BPP网络中中建立故故障字典典。利用用故障字字典法进进行模拟拟电路故故障诊断断的基本本原理是：首先，提取模拟拟电路在在各种可可能的故故障状态态下的电电路特征征(如测试试点的电电压、电路的幅幅频特性性等)；然后，将电路特特征与故故障状态态一一对对应的关关系制作作成一个个故障字字典。在在实际诊诊断时，只需要获取模拟电路的实时特征，就可以从所制作的故障字典中查出此时所对应的故障状态了。模拟电路的特征向量是一个可以反映电路状态(包括正常工作状态以及各种故障状态)特征的向量，一般由测试电路节点电压经过一定的数学处理获得，考虑到电路元件的容差，假设由测试值所获得的特征向量是维向量，电
46、路的故障状态数目为，那么BP网络分类器就需要完成从维特征空间的点及其邻域到维空间的点及其邻域的映射。因此，可可知用BP神经经网络来来实现模模拟电路路故障诊诊断的原原理与故故障字典典法的有有很多相似似之处。本节将将以一个个功率放放大器电电路为例例，对基基于BPP神经网网络的模模拟电路路故障诊诊断进行行分析。（1）BBP网络络的构建建根据映射射存在定定理可确定BPP神经网络络的层数数，该定定理的基基本含义义是：任任意连续续函数都都可由一一个三层层BP神经经网络来逼近，对对于一般般的故障障诊断问问题，有有一个或或者两个隐隐含层的的BP神经经网络就已经够够用了，所以确定神经网络结构主要就是确定网络隐含
47、层的神经元数。根据以往的经验以及对本例的多次试验，本例选用双隐层的BP神经网络，第一层隐层神经元数目选为19，第二层隐层神经元数目选为25。如果待诊断的模拟电路有个可测试节点，那么BP神经网络的输入层可以选择个神经元。由于本例中有16个可测节点，故输入层的神经元数目为16。由于电路的故障状态是采用二进制编码，因此对于个故障状态的模式，需要将满足不等式的作为BP网络输出层的神经元个数，所以本例中的输出层数目为5。综上所述，本系统构成了一个16-19-25-5的BP神经网络。（2）网网络训练练样本集集网络训练练样本集集如表22和表33所示，共共有255组样本本，每组组有166个不同同节点的的电压值值组成。在在25组组样本中中，第一一组为正正常状态态，第22组至第第25组组分别为为功放电电路的224种单单故障状状态。为为加快网网络的收收敛速度度，训练练样本在在输入网网络之前前进行了了归一化化处理。（3）训训练函数数与激活活函数采用不同同的训练练函数对对网络的的性能有有较大的的影响，如如收敛速速度、存存储占用用等。由于于多层BBP网络络大部分分使用的的是S型的激激励函数数，这类类函数又又被称为为“挤压”函数，它它们可以以将无限限范围内内的输入入压缩至至有限范范围的输输