【正文】 局部產(chǎn)生響應。 輸入層 隱含層 輸 出層 圖 RBF 神經(jīng)網(wǎng)絡結構 RBE 神經(jīng)網(wǎng)絡用于故障診斷的優(yōu)勢 上述運用了 BP 神經(jīng)網(wǎng)絡進行故障診斷，雖然 BP 網(wǎng)絡得到了廣泛的應用，但它也存在缺陷和不足，從以下幾個方面說明： 電子電路故障診斷系統(tǒng)設計 24 首先，學習速率是不變的，即每一次訓練權值的變化量是固定不變的，往往使得網(wǎng)絡的訓練時間很長，甚至有時選取了較小的學習速率，已經(jīng)達到了訓練步長數(shù)，而網(wǎng)絡還沒有收斂，后來出現(xiàn)了很多改進的 BP 算法，其中有改進的自適應學習速率算法等。 （ 4）分類能力好。它是通過 徑向基神經(jīng)元 以及競爭 神經(jīng)元 的組合搭建而成 。 RBF 神經(jīng) 網(wǎng)絡工具箱函數(shù) MATLAB 的 RBF 網(wǎng)絡工具箱中包含著多種函數(shù)，正是通過這些函數(shù)構造 RBF 神經(jīng)網(wǎng)，這里介紹幾個常用的工具箱函數(shù)。徑向基傳遞函數(shù)。 % 訓練目標 xn_test = n2。 % 顯示間隔 (默認為 25) = newrb(P,T,goal,spread,MN,DF)。除此之外，一個元器件或者多個元器件的損壞很可能導致電路癱瘓或者更嚴重的人員傷亡。 BP 網(wǎng)絡算法，但是這也僅僅能對一些特定的問題進行較好的求解，而且即使對相同題目的求解也會出現(xiàn)反復的無常性，從而使之缺乏通用性。 最后深深感謝父親、母親以及眾多親友多年來始終如一地給予我的關心和支持。陳老師給我的輔導很多，只要不會或者不懂他都會耐心的給我講解，然后舉例幫助我去理解，態(tài)度嚴謹是一名優(yōu)秀的人民教師 。其次影響 RBF 神經(jīng)網(wǎng)絡的非線性映射能力的因素主要是由隱層基函數(shù)決定，但基函數(shù)的特性是由基函數(shù)的中心決定，這樣就會導致其不能提取出準確的數(shù)據(jù)去構造 RBF 神經(jīng)網(wǎng)絡，顯然，其性能也不能達到預想的效果 。傳統(tǒng)的設備檢測已經(jīng)難以滿足這種高設備高自動化的維修需求，我們必須開發(fā)出更加便利更加省心的診斷模擬 電路的方法。 % 此值越大 ,需要的神經(jīng)元就越少 (默認為 1) MN = size(xn_train,2)。 RBF 神經(jīng)網(wǎng)絡訓練的部分代碼如下 : xn_train = n1。格式為 =newrb(P， T， GOAL， SPREAD， MN， Dn，其中 P,T， SPREAD 變量的意義同 newrbe 0 函數(shù)， GOAL 為訓練精度，缺省值為 0， MN 為神經(jīng)元個數(shù)的最大值， DF 為訓練過程的顯示頻率。 相反隨著 spread 變 小，函數(shù)的逼近 誤差越小 ， 但是其 逼近 曲線將會隨著 spread 的減小變得 不 再 平滑。 （ 3） 概率神經(jīng)網(wǎng)絡 PNN 以上介紹了廣義回歸神經(jīng)網(wǎng)絡是 RBF 神經(jīng)網(wǎng)絡的其中一分支，這里要說的它的另一分寧波大學科學技術學院本科畢業(yè)設計（論文） 25 支。 （ 2） RBF 神經(jīng)網(wǎng)絡具有較強的輸入和輸出映射功能，并且理論證明在前向網(wǎng)絡 RBF 神經(jīng)網(wǎng)絡是 完成映射功能的最優(yōu)網(wǎng)絡。 RBF 神經(jīng)網(wǎng)絡具備典型的前向網(wǎng)絡的特點，精確度高、可靠性強、學習速度快、網(wǎng)絡設計簡潔、逼近能力不俗且不存在局部極小等一系列的優(yōu)勢。輸出樣本集采用“ 0— 1表示法，期望輸出為 x,即為： x=[1， 0， 0， 0， 0； 0， 1， 0， 0， 0； 0， 0， 1， 0， 0； 0， 0， 0， 1， 0； 0， 0， 0， 0， 1] 我們經(jīng)過 1000 次的訓練調(diào)整，分類率在 90%以上的訓練誤差曲線如 所示，表 和表 分別是實際輸出值與期望輸出值。 %最大訓練次數(shù) = 1e8。 %測試目標 NodeNum =10。調(diào)用格式為： [dW,ls]=learngd(W,P,Z,N,A,T,E,gW,gA,D,LP,LS) [db,ls]=learngd(b,ones(1,Q),Z,N,A,T,E,gW,gA,D,LP,LS) 寧波大學科學技術學院本科畢業(yè)設計（論文） 19 info=learngd(code) 2) learngdm 函數(shù)為梯度下降動量學習函數(shù)，它利用神經(jīng)元的輸入和誤差、權值或閾值的學習速率和動量常數(shù)，來計算權值或閾值的變化率。 2. 神經(jīng)元上的傳遞函數(shù) 傳遞函數(shù)是 搭建 BP 神經(jīng) 網(wǎng)絡 的橋梁 。 （ 5）網(wǎng)絡隱含層數(shù)及隱含層神經(jīng)元數(shù)的確定： 目前來說沒有固定的公式或者規(guī)律去確定網(wǎng)絡隱含層數(shù)及隱含層神經(jīng)元數(shù)，而確定這兩個參數(shù)又至關重要，時刻影響著網(wǎng)絡的擬合能力。 （ 3）輸出層的節(jié)點數(shù)： 輸出層節(jié)點數(shù)取決于兩個方面 , 輸出數(shù)據(jù)類型和表示該類型所需要的數(shù)據(jù)大小。所以樣本a=logsig(n) 0 a 1 +1 +1 n a=purelin（（ ) 0 a 1 +1 +1 n a=tansig(n) 0 a 1 +1 +1 n 電子電路故障診斷系統(tǒng)設計 16 數(shù)據(jù)的獲取顯得十分重要，另外訓練樣本模擬的越多，測試出的結果越準確，越可避免其它無關因素的干擾 。在 MATLAB 語言中，該過程可以通過輸入矢量和權值矢量的點積形式加以描述，即： bpwn ?? * （ ） （ 4）傳遞函數(shù)： 在表 中 f 表示神經(jīng)元的傳遞函數(shù)或激發(fā)函數(shù)，它用于對求和單元的計算結果進行函數(shù)運算，得到神經(jīng)元的輸出。神經(jīng)元的特性往往在某種程度上決定著神經(jīng)網(wǎng)絡的總體特性，一個神經(jīng)網(wǎng)絡的構成，包含著許許多多的神經(jīng)元，而不是孤立的單個神經(jīng)元就可稱之為神經(jīng)網(wǎng)絡。 33(x )(n 1)(n 2)inxSK ??? ??? （ ） （ 6）峭度（ kurtosis）：反映振動信號分布特性的數(shù)值統(tǒng)計量，是歸一化的 4 階中心矩。 圖 四運放雙二階高通濾波器 同樣地，下面我們用 multisim 軟件對正常電路和故障電路進行模擬，以獲得故障數(shù)值。在濾波器電路中，電阻的容差為 5%， 電容的容差為 10%。由此可見，對付軟故障診斷是亟需解決的難題，其對電路系統(tǒng)的影響很大，本文主要就是研究 SallenKey 低通濾波器以及四運放雙二階高通濾波器電路軟故障的診斷。用 matlab 對過程進行編程仿真，并進行調(diào)試，得出輸出的期望值與實際值及正確百分比 。因此， 20xx年， He Y 等人在上述做法的理論上，加入低頻和高頻的數(shù)據(jù)，從而增加了診斷的全面性，而且構造小波網(wǎng)絡對系統(tǒng)故障進行診斷，使得診斷準確率提升到百分之九十九以上。而它又可根據(jù)識別參數(shù)分類為元件值識別及元件值增量識別。 模擬電路的故障診斷在今年的很長一段時間里都將是個難題，目前研究的主題包括故障的檢測、故障的辨識以及故障的預測 [1]。目前模擬電路的應用不光局限于我們個人電子產(chǎn)品使用中，其廣泛性也已應用到軍工、通信、家用電器等各個方面，特別是隨著集成電路的越發(fā)復雜，任何一個元部件和元器件的故障都會影響整個全局的功能。 一個小小的故障也會導致財產(chǎn)的巨大損失。然后用 MATLAB 對樣本進行訓練 與測試，并在實驗室進行調(diào)試，得到的誤差變化曲線基本上符合提出的期望。 所以今日我們的模擬電路的故障診斷絕不能局限于人力，顯然人力也已經(jīng)難以或無法解決模擬電路的故障診斷這一難題。 （ 1）傳統(tǒng)故障診斷技術 傳統(tǒng)的故障診斷技術主要分為下述幾種：故障字典法，故障參數(shù)識別法，故障驗證法等幾類 [2]。這種方法要求模擬電路滿足可測的條件。到了 20xx 年， Lifen Yuant 等人的做法 是在一定頻域內(nèi)，對故障信號處理，運用提取器提取兩種故障特征，將特征通過神經(jīng)網(wǎng)絡進行模擬輸出。 第三章 運用 BP 神經(jīng)網(wǎng)絡進行故障診斷的基本思想和系統(tǒng)設計。當電路中的任何一個元件高于 50%，或低于 50％，而其它元件均在 50%之內(nèi)浮動時，對電路進行仿真并獲得在某個特定時間段的模擬波形，然后記錄下對應波形下的故障值，用 multisim 軟件對正常波形也在上述 某個特定時間段進行波形模擬，得出正常情況和故障情況的波形對比[4]。 下面我們用 multisim 軟件模擬電路，對正常電路和故障電路的波形限定在某個特定時間段，保證其波形對比的直觀，以獲得故障數(shù)值。 表 四運放雙二階高通濾波器的元件值及其單故障類別 故障代碼 故障類別 正常值 故障值 SF0 NF SF1 C1↑ 5n 20n SF2 C1↓ 5n SF3 C2↑ 5n 20n SF4 C2↓ 5n SF5 R1↑ 15k SF6 R1↓ 3k SF7 R2↑ 18k SF8 R2↓ 2k SF9 R3↑ 12k SF10 R3↓ SF11 R4↑ SF12 R4↓ 寧波大學科學技術學院本科畢業(yè)設計（論文） 11 診斷電路的特征向量的提取 首先我們先事先獲取的故障從 Multisim 中提取出特征值，并將每種故障提取的數(shù)據(jù)分為 20 組，然后我們?nèi)∑?20 組的最大值，最小值，平均值，標準差，偏度，峭度六種指標，簡單介紹下六種數(shù)據(jù) 指標 [5]。以下是正常情況下得出的數(shù)據(jù)： n=[ 電子電路故障診斷系統(tǒng)設計 12 ] 寧波大學科學技術學院本科畢業(yè)設計（論文） 13 3 基于 BP 神經(jīng)網(wǎng)絡的模擬電路故障診斷 神經(jīng)網(wǎng)絡的故障診斷 神經(jīng)網(wǎng)絡的故障診斷過程如圖 所示。在 MATLAB 中，輸入可以用一個 1?R 維的列矢量p 來表示（其中 T 表示取轉置） ? ?TkpppP ,....,p 321，? （ ） （ 2）網(wǎng)絡權值和閾值： R ,12,11,1 , ? 代表網(wǎng)絡權值，表示輸入與神經(jīng)元之間的連接強度， b 為神經(jīng)元閾值，可以看作是一個輸入恒為 1 的網(wǎng)絡權值。而后對這些故障一一提取特征值。 BP 神經(jīng)網(wǎng)絡的設計 BP 神經(jīng)網(wǎng)絡主要包含以下幾部分，主要有輸入層 , 隱層 , 輸出層，及各層間的傳輸函數(shù)等 [10]。太少又會導致識別能力過低，所以在構造網(wǎng)絡時，需要選擇合適的隱層節(jié)點數(shù)。 BP 神經(jīng)網(wǎng)絡的工具箱函數(shù) 1. BP 網(wǎng)絡創(chuàng)建函數(shù) （ 1) newff 該函數(shù)用于創(chuàng)建一個 BP 網(wǎng)絡。調(diào)用格式為： A=logsig（ N） info=logsig（ code）其中， N： Q 個 S 維的輸入列向量； A：函數(shù)返回值，位于區(qū)間（ 0， 1）中； （ 2） tansig 該函數(shù)為雙曲正切 S