【正文】 輸入 ,并產(chǎn)生一個輸 出傳給下一層的 神經(jīng)元 ,輸入信息只能從輸入層開始一層一層向前 傳遞 。神經(jīng)網(wǎng)絡的每一層都包含了一定量的 神經(jīng)元 。 (2)閾值型 這是一種非線性模型 ,改函數(shù)有兩種不同取值情況：一種是當輸入為 x ，輸出值 為 +1 或 1時， ()fx的表達式為 1 , 0() 1 , 0xfx x ??? ???? （ 3） 第二種情況是當輸入為 x ，輸出值為 1 和 0 時， ()fx的表達式為： 1 , 0() 0 , 0xfx x ??? ? ?? （ 4） (3) S 型 S 型函數(shù)是連續(xù)單調(diào)可微的函數(shù)，也有兩種表達式：一種是對數(shù) sigmoid 函數(shù)，即 logsig 函數(shù)，輸出取值范圍為（ 0,1）。 激活函數(shù)不僅是一個神經(jīng)元的核心也是神經(jīng)網(wǎng)絡的核心，其特性曲線光滑且可導，它是神經(jīng)網(wǎng)絡具有非線性分類能力的根源。 神經(jīng)網(wǎng)絡的自適應性 主要體現(xiàn)在 學習性、可訓練性 、自組織能力以及 推理能力 這四個方面 。由于神經(jīng) 網(wǎng)絡 信息分布式存儲的特性，在網(wǎng)絡的嚴重惡化之前這種破損 是分散的。 因此， 利用 超大規(guī)模 的 集成硬件 實現(xiàn)的神經(jīng)網(wǎng)絡可以大大 提高 信息處理速度 。以上研究開拓了神經(jīng)網(wǎng)絡的應用領域。 1997 年， 申金媛 提出了多目標旋轉不變分類識別的新方法，也就是 基于聯(lián)想存儲級聯(lián) WTA 模型的旋轉不變識別 [19]。 BP 網(wǎng)絡時迄今為止最常用、最普通的網(wǎng)絡。 Felemann 和 Balllard 的連接網(wǎng)絡模型指出了傳統(tǒng)的人工智能計算與生物計算的區(qū)別，給出了并行分布的計算規(guī)則。 （ 3）第二次高潮時期 進入世紀 80 年代 ， 神經(jīng)網(wǎng)絡研究再次高潮。 （ 2）低潮時期 Minsky 和 Papert 在 1969 年出版了一本關于 感知器的書籍 [9]，發(fā)現(xiàn)了感知器存在一些不足，如對于求解異或問題，因而研究工作趨向低潮。 （ 1）發(fā)展初期 心理學家 和數(shù)學家 在 1943 年 合作提出了形式神經(jīng)元的數(shù)學模型 （ MP 模型 ） [5]，從此開創(chuàng)了 神經(jīng)網(wǎng)絡 的 研究。 本文采用兩種方法進行模擬電路故障診斷研究：一種是基于 BP 神經(jīng)網(wǎng)絡的模擬電路故障診斷方法；另一種是先利用遺傳算法優(yōu)化 BP神經(jīng)網(wǎng)絡，然后再利用優(yōu)化后的網(wǎng)絡進行模擬電路故障診的方法。 3 在國內(nèi)，對模擬電路的測試與故障診斷的研究一直都是 被關注的研究方向 。 20 世紀 80 年代 提出了一種新的故障診斷方法，即 故障驗證法 ，該方法 的出現(xiàn)給 故障診斷領域增添了新的活力，故障診斷的研究者們從故障診斷的 實際出發(fā)， 將研究的重點從求解全部元件值轉變到求解一 部分 的 元件 值，以此來確定故障元件 或 者故障區(qū)域 ，并 將之分成故 障元件求值與故障定位兩部分，大大減小了計算量，削弱了診斷條件 。 盡管存在這些困難，但仍然有許多研究者們致力于模擬電路故障診斷的研究。 6）故障模型化困難。此外， 模擬電路 通常還包含大量的反饋回路，也增加了 測試的復雜性。 實 際 應用中的模擬電路 元件都 會 有容差，即 電路元件參數(shù)在其容差范圍內(nèi)有隨機的偏移。模擬電路的輸入、輸出信號和 元件參數(shù)都是連續(xù) 的 ，電路中任何一個模擬元件都有 可能具有無窮多種 故障狀態(tài)，因此，很難對模擬電 2 路故障進行模擬和仿真 。 第三，現(xiàn)代電子系統(tǒng)復雜度的 增加 ,系統(tǒng)的 可靠性 顯得更為重要 ,因此 ,必須提高電子系統(tǒng)的可靠性 。對模擬電路 的 生產(chǎn)部門 來說 ,同樣也 要求能 及時 診斷出故障 ，以便 改進工藝 ,提高 產(chǎn)品的合格率。 模擬電路故障診斷的背景意義 目前，模擬電路在 航天 、通信、自動控制、家用電器等許多方面得到廣泛地應用。 1 1 緒論 隨著現(xiàn)代化大生產(chǎn)的發(fā)展，電子線路故障診斷技術的研究越來越重要。 隨著電子技術 的 發(fā)展 ,模擬 電路 的集成程度越來越高 ,規(guī)模越來越大。對于某些重要設備中的模擬電路，還要求進行故障的預測，即對正常工作中的模擬電路進行不斷的檢測，在元件發(fā)生故障前就進行替換，以避免故障的發(fā)生。 綜上所述 ,工業(yè)生產(chǎn)對模擬電路提出了新的要求 ,微電子技術的快速 發(fā)展對模擬電路的測試和診斷也提出 迫 切的要 求 ,這就使得 科技人員 不得不進一步探索模擬電路的測試和診斷上的新 理論和 新 方法 ,研發(fā) 新的測試 和診斷 設備 以適應時代 的需求 。 2）診斷的信息量有限。電路中普遍存在的容差通?？傻刃?一個或 者多個元件的“大故障”，這就容易導致電路故障的可測性變差 。 5）抗干擾能力差。模擬電路的 輸入與輸出 之 間的關系 較為復雜并且 模型化 困難 。 1960 年， 提出了關于模擬電路 故障 診斷的可解性分析 [1]，研究出了無源線性集總電路元件可解性的必要條件，從此模擬電路故障診斷的理論研究開始了。 1985 年， 與 對模擬電路故障診斷的理論做了 系統(tǒng)的論述 [3]，模擬電路故障 診斷理論 從此形成了 。自 80 年代末以來，國內(nèi)相繼出版了 楊士元 [4]等人的專著。 研究內(nèi)容與論文組織 本文 主要是利用神經(jīng)網(wǎng)絡進行模擬電路故障診斷的研究，采用 BP 和 GABP兩種網(wǎng)絡對模擬電路故障進行了診斷，仿真效果表明基于神 經(jīng)網(wǎng)絡的模擬電路故障診斷系統(tǒng)不但診斷速度快而且準確度高，具有廣闊的應用前景。心理學家 在 1949年指出 [6]神經(jīng)元之間突觸聯(lián)系強度可變的假設，即改變神經(jīng)元連接強度的 Hebb規(guī)則，為神經(jīng)網(wǎng)絡的學習算法奠定了基礎 。不過仍有不少學者繼續(xù)研究神經(jīng)網(wǎng)絡。美國物理學家 Hopfield 在 1982年 提出了 Hopfield 神經(jīng)網(wǎng)絡模型 [14]， 有力地推動了神經(jīng)網(wǎng)絡的研究。1986 年， Rumelhart 等人提出 并行分布處理 （ PDP）的 理論， 同時 提出了多層網(wǎng)絡 的誤差反向傳播學習算法，簡稱 BP 算法 [15]。 （ 4）新的發(fā)展階段 上世紀 90 年代， Narendra 和 Parthasarthy 提出了推廣 動態(tài)神經(jīng)網(wǎng)絡系統(tǒng)及其連接權的學習算法 [16]，其具有 非線性特性，增強了 神經(jīng)網(wǎng)絡的 魯棒性。在識別多模式時 可 以聯(lián)想到一個模式，采用 全單極 的 形 式，對互連權值實行二值化截取，同時 把聯(lián)想存儲模型 和 WTA 模型級聯(lián)起來，如此，提 升了存儲容量和 容錯性。 神經(jīng)網(wǎng)絡的特點 神經(jīng)網(wǎng)絡模擬了生物神經(jīng)系統(tǒng)的一些特征，從而具有一些與傳統(tǒng)數(shù)字計算機不同的特點，具體有下面幾點： （ 1）非線性映射 從本質(zhì)上而言，神經(jīng)網(wǎng)絡就是一個非線性系統(tǒng)，可以實現(xiàn)從輸入空間到輸出空間的非線性映射，具有較強的非線性信息處理能力。 （ 3）泛化能力 神經(jīng)網(wǎng)絡 的泛化是指 對不在訓練 樣本 集中的數(shù)據(jù) ，網(wǎng)絡也可以產(chǎn)生合理的輸出。因此， 神經(jīng)網(wǎng)絡的性能是一個 緩慢變化 的過程 而不是災難性 的改變。 神經(jīng)網(wǎng)絡原理 神經(jīng)網(wǎng)絡基本結構單元 神經(jīng)元 是神經(jīng)網(wǎng)絡的基本單元 ,它類似于生物體的神經(jīng)系統(tǒng)基本單元 ,神經(jīng)元是一個多輸入單輸出 的 結構 ,其功能是模擬生物神經(jīng)元 最基本 的 特征 ， 圖 1 為 6 神經(jīng)網(wǎng)絡中的第 i 個神經(jīng)元的 結構示意圖 。通常，稱一個神經(jīng)網(wǎng)絡是線性還是 非線性是由 神經(jīng) 網(wǎng)絡神經(jīng)元所具有 的激活函數(shù)的線性或非線性來決定的 。當輸入為 x ， ()fx的表達式為 1() 1 xfx e?? ? （ 5） 第二種是正切 sigmoid 函數(shù)，即 tansig 函數(shù)，輸出取值范圍為（ 1,1），輸入為 x ， ()fx的表達式為： 7 () xxeefx ee???? ? （ 6） 神經(jīng)網(wǎng)絡的構成 神經(jīng)網(wǎng)絡是由許多互相連接的神經(jīng)元構成的網(wǎng)絡。每一層神經(jīng)元 與前一層神經(jīng)元 的輸出相連接 ,而同一層內(nèi)的神經(jīng)元互不連接。 反饋網(wǎng)絡在網(wǎng)絡的 輸出層與隱含層 之間或在隱含 層與隱含層之間存在 反饋連接 ,即網(wǎng)絡中的神經(jīng)元同時接收來自前一層神經(jīng)元 的 前饋輸入和來自后一層神經(jīng)元 的反饋輸入 。 因此 ,輸入信號 在各個 神經(jīng)元之間反復傳遞 ,從 初始狀態(tài)開始 ,直到趨于某一穩(wěn)定狀態(tài)或進入周期振蕩 狀態(tài)為止 。 神經(jīng)網(wǎng)絡的學習算法可分為有監(jiān)督學習和無監(jiān)督學習兩大類 。 誤差反向傳播算法 ，即 BP 算法是一種有監(jiān)督學習算法。 Hebb 學習規(guī)則是一種典型的無監(jiān)督學習算法 。目前，在人工神經(jīng)網(wǎng)絡的應用中，絕大部分的神經(jīng)網(wǎng)絡模型都采用 BP 網(wǎng)絡及其變化形式。 分類：把輸入矢量所定義的合適方式進行分類。網(wǎng)絡輸入層的神經(jīng)元個數(shù) 取 為 輸入向量的維數(shù) ,網(wǎng)絡輸出層神經(jīng)元的數(shù)目 取為 輸出向量的維數(shù) 。 BP 神經(jīng)網(wǎng)絡的訓練 (1)BP 算法基本思想 BP 神經(jīng)網(wǎng)絡 主要由三大部分組成，即網(wǎng)絡的拓撲結構、各層神經(jīng)元的傳遞函數(shù) (也稱激勵函數(shù) )和學習規(guī)劃。 網(wǎng)絡 學習 過程 結束 以后，已被 學習的樣本 的 有效信息 會被存儲到 網(wǎng)絡 的權值中，當 有相似 的 輸入時， BP 神經(jīng)網(wǎng)絡就會有 相近的輸出。 本文以三層 BP 網(wǎng)絡為例進行說明，設第 i 個輸入節(jié)點為 ix ，第 j 個隱層節(jié)點為 jy ，第 l 輸出節(jié)點為 lz 。 （ 3） BP 算法特點 從本質(zhì)上來說 ， BP 算法 就是將樣本的輸入輸出問題轉變成 非線性優(yōu)化 的問題，其使用了優(yōu)化技術中的梯度下降算法，利 用迭代運算 來求解權值，就相當于學習記憶 。為 加快 BP 網(wǎng)絡的學習速度， 研究者們提出了許多改進算法。 將 彈性 梯度下降法作為 BP 網(wǎng)絡的訓練函數(shù)時，網(wǎng)絡權值的調(diào)整僅由目標函數(shù) 偏導數(shù)的符號 決定 ,而不必 考慮 函數(shù) 偏導數(shù)的幅值 。如果權值變化連續(xù)幾次都在同一個方向，則增加權值的變化量級。 BP 網(wǎng)絡的應用特點主要有下面幾點： 1）工作速度高。 2） BP 算法 的采用。 泛化（又 稱推廣）能力 是指通過 訓練后的 神經(jīng)網(wǎng)絡對沒有在訓練樣本集中出現(xiàn) 過 的樣本 可以 做出正確反應的 一種 能力。 4）適用范 圍。 BP 網(wǎng)絡是 一個 分布式 的 并行處理系統(tǒng)， 輸入 信息儲存在整個系統(tǒng)中， 網(wǎng)絡中的每一個神經(jīng)元以及 每 一 個連接 都對網(wǎng)絡的整體性能有貢獻，但是 這種貢獻 往往 又都是 比較微小的。本文以功率放大器電路作為模擬電路故障診斷對象。通過分析電路的拓撲結構，根據(jù)電路元件的故障率以及模擬電路故障診斷的經(jīng)驗，了解到功率放大器電路產(chǎn)生多故障（一個或多個元件同一時間出現(xiàn)故障）的概率極少，通常為單故障（一個元件故障），功率放大器電路的所有典型的故障狀態(tài)如表 1所示。 2）電阻 R3 和電位器 Rp1 在斷路狀態(tài)下 各節(jié)點電壓值相差無幾，所以作為一種故障狀態(tài)處理。 電壓 值都 以毫伏（ mv）為單位，小數(shù)點后保留三位有效數(shù)字。 BP 網(wǎng)絡診斷模擬電路故障 用 BP網(wǎng)絡實現(xiàn)對模擬電路故障診斷相當于在 BP網(wǎng)絡中建立故障字典。 因此， 可知 用 BP神經(jīng)網(wǎng)絡 來 實現(xiàn)模擬電路 故障診斷的原理與故障字典法的 有很多 相似之處 。 如果待診斷的 模擬電路有 m 個 可 測試節(jié)點， 那么 BP神經(jīng)網(wǎng)絡 的 輸入層可以選擇 m 個神經(jīng)元。 （ 2）網(wǎng)絡訓練樣本集 網(wǎng)絡訓練樣本集如表 2和表 3所示，共有 25組樣本，每組有 16個不同節(jié)點的電壓值組成。由于多層 BP網(wǎng)絡大部分使用的是 S型的激勵函數(shù)，這類函數(shù)又被稱為“擠壓”函數(shù)，它們可以將無限范圍內(nèi)的輸入壓縮至有限范圍的輸出，當輸入值很大或 很小時，輸出 函數(shù)的斜率將會接近于 0。因此， 本例采用的訓練 算法為彈性梯度下降法。在 ，調(diào)用 newff函數(shù)創(chuàng)建一個 BP神經(jīng)網(wǎng)絡，然后調(diào)用 train函數(shù)對所建網(wǎng)絡進行訓練。 將測試樣本輸入 到 BP 神經(jīng)網(wǎng)絡中， 即可 得出分類結果 。仿真輸出結果與期望輸出如表 4 所示，表中的數(shù)據(jù) 小數(shù)點后保留四位有效數(shù)字，例如在故障狀態(tài) 2 情況下，網(wǎng)絡仿真輸出為 ， ， ， ， 五位浮點數(shù)，與期望輸出 0， 0， 0， 1， 0五位二進制數(shù)十分接近，即可判定為故障狀態(tài) 2 故障。 從測試結果可以發(fā)現(xiàn) ，本設計的 BP 神經(jīng)網(wǎng)絡能夠準確的診斷出功率放大器電路的故障狀態(tài)。 4 基于 GABP 算法的模擬電路故障診斷 神經(jīng)網(wǎng)絡 具有很強的學習能力 與 適應能力 ， 在實際應用中 ,大部分神經(jīng)網(wǎng)絡的模型 采用 的是 BP 神經(jīng)網(wǎng)絡 ,BP 網(wǎng)絡是前饋網(wǎng)絡的主 要 部分 ,是 神經(jīng)網(wǎng)絡的精華 。 遺傳算法的 基本原理及其 特點 遺傳算法（ Geic Algorithm，簡稱 GA）的基本原理是以英國博物學家達爾文（ Darwin） 的進化論 與奧地利遺傳學家孟德爾（ Mendel） 的基因遺傳學原理[25]為根據(jù)的?；?遺傳 學認為 ,基因 雜交和基因突變會 產(chǎn)生對 自然 環(huán)境 有更強適應性 的后代 ,基因雜交和突變后的個體經(jīng)過 優(yōu)勝劣汰的自然選擇 后 ,適應性強的基因就會被保留 下來 。子代往往會包含父代的 大量信息 ,但子代 在總體特性上 總會 勝過 父代，從而使整個種群向前進化，就 遺傳算法來說 ,這 也就是 一個 不斷接近最優(yōu)解 的過程。間接法是先使 目標函數(shù)的梯度為零 ,然后通過求解一組非線性方程以得到 局部極值 。但枚舉法最大不足是計算效率過 低 。 （ 3）隨機法 因為 上述兩種尋優(yōu)方法 都 有嚴重的 不足 ,人們就更青睞隨機