【正文】 8。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(xùn)練調(diào)整，分類率在90%。RBF神經(jīng)網(wǎng)絡(luò)具備典型的前向網(wǎng)絡(luò)的特點(diǎn)，精確度高、可靠性強(qiáng)、學(xué)習(xí)速度快、網(wǎng)絡(luò)設(shè)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。（3）網(wǎng)絡(luò)連接權(quán)值與輸出呈線性關(guān)系。即：概率神經(jīng)網(wǎng)絡(luò)，英文縮寫為PNN。所以說spread的值要經(jīng)過多次嘗試，獲取最好仿真效果的值。(3)radbas。 % 訓(xùn)練樣本 dn_train = x1。 % 最大神經(jīng)元數(shù)(默認(rèn)為訓(xùn)練樣本個數(shù)) DF = 1。傳統(tǒng)的模擬電路故障診斷的方法常常是限定在一個電路中只出現(xiàn)一個故障的情形，我們，而且也不太準(zhǔn)確，投入的財力及物力更就要求更多。BP神經(jīng)網(wǎng)絡(luò)的展望：目前，國內(nèi)外很多學(xué)者已經(jīng)研究出很多改進(jìn)型的。嚴(yán)格要求我去完成畢業(yè)論文，而且能夠督促我并幫助我完成畢業(yè)論文的設(shè)計，我感到很榮幸，讓我遇到這么淵博的的導(dǎo)師。他們的理解以及不斷地相信我讓我讀滿了四年的大學(xué)，讓我的視野更加開闊，心胸更加寬廣。因此，未來的BP算法應(yīng)在收斂速度、尋找全局最優(yōu)點(diǎn)和系統(tǒng)穩(wěn)定性上力求取得更大的突破。因此模擬電路故障診斷已經(jīng)發(fā)展為亟需解決的熱門課題。X = sim(net,xn_test)。 % 測試樣本 dn_test = x2。此函數(shù)是通過它的網(wǎng)絡(luò)輸入的輕快，從而來確定神經(jīng)元的輸出。(1)newrbe()。這種網(wǎng)絡(luò)的優(yōu)勢就是構(gòu)造起來很簡潔，樣本訓(xùn)練的速度也比較快。（5）學(xué)習(xí)過程收斂速度快。其次，BP算法極易陷入局部極小值，得不到全局最優(yōu)解，改進(jìn)的BP算法中有附加動量法可以避免此類現(xiàn)象的出現(xiàn)[12]。輸入層節(jié)點(diǎn)的功能是將輸入信號通過擴(kuò)散的特點(diǎn)傳遞到隱層，然后隱含層節(jié)點(diǎn)中的作用函數(shù)對輸入信號在局部產(chǎn)生響應(yīng)。 %最小梯度 = 200。 %輸出維數(shù)p1 = xn_train。該函數(shù)的調(diào)用格式為：[net,tr,Y,E,Pf,Af]=train(NET,P,T,Pi,Ai)[net,tr,Y,E,Pf,Af]=train(NET,P,T,Pi,Ai,VV,TV) traingd函數(shù)為梯度下降BP算法函數(shù)。常見的BP神經(jīng)網(wǎng)絡(luò)多采用下列函數(shù)： （1) logsig該傳遞函數(shù)為S型的對數(shù)函數(shù)。以下是日常研究總結(jié)出的確定隱含層神經(jīng)元數(shù)的經(jīng)驗公式： （） （） （） （）式中，S為隱含層神經(jīng)元數(shù)，n為輸入層神經(jīng)元數(shù)，m為輸出層神經(jīng)元數(shù)，σ為 1～10 之間的常數(shù)。（4）隱層節(jié)點(diǎn)數(shù)：隱層節(jié)點(diǎn)數(shù)的確定直接會導(dǎo)致訓(xùn)練的成敗，節(jié)點(diǎn)太多會導(dǎo)致學(xué)習(xí)時間過長。：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]，在下面的實例中共用這一輸出模式。傳遞函數(shù)的名稱函數(shù)表達(dá)式函數(shù)曲線MATLAB函數(shù)a=hardlim(n)0a1+1+1n閾值函數(shù)Bardim線性函數(shù)a=purelin（（)0a1+1+1nPurelin對數(shù)sigmoid函數(shù)a=logsig(n)0a1+1+1nLogsig正切sigmoid函數(shù)a=tansig(n)0a1+1+1ntansig BP網(wǎng)絡(luò)用于故障診斷的基本思想BP神經(jīng)網(wǎng)絡(luò)應(yīng)用在故障診斷上提高了以往傳統(tǒng)方法難以達(dá)到的準(zhǔn)確性，其研究的思路主要是：首先確定電路的故障，對于故障值的確定是根據(jù)正常值及故障值的波形對比，從而獲得較典型的故障參數(shù)，把電路中容易出故障的器件都找出來作出故障集。[8]。公式如下，其中x（t）為瞬時振幅，為振幅均值，p（x）為概率密度，是樣本標(biāo)準(zhǔn)差[6]。 （1) 當(dāng)各元器件均為正常值，t1=，t2=， 正常電路波形 （2) 當(dāng)C1增大到20F，t1=，t2=， C1增大到20nF的波形 （3) 當(dāng)C2增大20nF時的波形，t1=，t2=， C2增大到20nF時的波形圖同理，我們可以模擬出其它組元件及減小的故障數(shù)據(jù)。給電路施加脈沖激勵進(jìn)行仿真時，設(shè)定電阻和電容在各自的容差范圍內(nèi)變化，則認(rèn)為電路為無故障狀態(tài)。在濾波電路中，電阻和電容的容差分別為5％和10％。本文共分為五章，第一章 介紹了模擬電路故障診斷研究的背景與意義以及研究現(xiàn)狀和本文研究內(nèi)容的主要內(nèi)容及其結(jié)構(gòu)安排。但是，這種小波網(wǎng)絡(luò)也存著著一個問題，就是會隨著樣本數(shù)據(jù)維數(shù)的增加，網(wǎng)絡(luò)的結(jié)構(gòu)將變得龐大，計算工作量，網(wǎng)絡(luò)的運(yùn)行時間等，變得越來越難以接受。故障驗證法的做法主要是：猜測網(wǎng)絡(luò)中的故障元件，然后猜測出易發(fā)生的某個元件集合，再在對應(yīng)的集合中激勵信號，以及可及節(jié)點(diǎn)取得的測量數(shù)據(jù)，依據(jù)一定的判斷數(shù)據(jù)去驗證猜測的正確性[3]。故障的檢測是采用獲得的采樣數(shù)據(jù)，電路結(jié)構(gòu)及參數(shù)來判定系統(tǒng)電路故障發(fā)生位置；故障的辨識是在已經(jīng)了解到故障的發(fā)生，然后去判斷并且確定故障存在的位置；故障的預(yù)報表明系統(tǒng)還沒發(fā)生故障假想的故障位置，然后更換易發(fā)故障位置的器件，確保系統(tǒng)正常運(yùn)行。最新資料表明，高集成電子設(shè)備的維護(hù)費(fèi)遠(yuǎn)高于其研發(fā)費(fèi)用，這也就要求著我們不能光顧著產(chǎn)品的研發(fā)而忽視了電子設(shè)備的維護(hù)，維護(hù)做不好，研發(fā)工作也只是徒勞。鑒于上述原因，本文利用Multisim仿真軟件建立電路模型，進(jìn)行故障設(shè)定，并提取故障特征值。結(jié)果表明BP神經(jīng)網(wǎng)絡(luò)及RBF神經(jīng)網(wǎng)絡(luò)的算法能夠有效的應(yīng)用于模擬電路故障診斷。可見，模擬電路的故障診斷是電子工業(yè)發(fā)展的一個迫切需要解決的難題。故障字典法是指把模擬電路中的所有故障類型全部提取出來，并且將故障的類別與故障的關(guān)系對應(yīng)起來，構(gòu)成多個映射，達(dá)到每種類別對應(yīng)一種關(guān)系。（2）現(xiàn)代故障診斷技術(shù)現(xiàn)代故障診斷技術(shù)主要是指以神經(jīng)網(wǎng)絡(luò)為代表的故障診斷方法。Lifen Yuant等人的做法在通過減少輸入個數(shù)簡化了網(wǎng)絡(luò)，也增加了診斷的準(zhǔn)確性，但不足的是沒有驗證多組特征的情況下的故障診斷。第四章 運(yùn)用RBF神經(jīng)網(wǎng)絡(luò)進(jìn)行故障診斷的基本思想和系統(tǒng)設(shè)計。現(xiàn)在我們借用例子直觀的來說明設(shè)定故障值的做法，在一具備多個元器件組成的模擬電路中，其中有元器件電容C1=5nF，容差為10%，我們只考慮C1超出容差，其它值均在容差范圍內(nèi)變動而不超過容差的10%，下面三種情況根據(jù)177。（1) 當(dāng)各元件均為正常值，t1=,t2=， (2) ,t1=，t2=， (3) 當(dāng)C2增加到10nF，t1=，t2=， C1增加到10nF時模擬波形這樣不斷的更改元器件的數(shù)值，并通過mutisim模擬得出了電路的9種故障類別即：即C1↑,C1↓,C2↑,C2↓,R3↑,R3↓,R4↑,R4↓故障和無故障類別(NF)，這里↑和↓分別表示故障值高于和低于各自正常值的50％時所對應(yīng)的故障狀態(tài)，把每種故障狀態(tài)分別定義為SF0,SF1,SF2,SF3,SF4,SF5,SF6,SF7,SF8。（1） 最大值（max）：是指一組數(shù)中的最大的數(shù)。主要分為兩個過程，即訓(xùn)練過程(虛線所示)，以及測試過程(實線所示)。在MATLAB中神經(jīng)元的網(wǎng)絡(luò)權(quán)值可以用一個的行矢量來表示。另外要指出的是，在做實際電路診斷時，每次故障值的波形對比取得故障值均是在外界相同條件下進(jìn)行的，例如相同信號的激勵，這樣獲得的特征值才會更準(zhǔn)確，有效避免其它因素的干擾。BP網(wǎng)絡(luò)隱含層數(shù)的變化會影響著故障診斷的準(zhǔn)確性，但往往選擇的層數(shù)都不會過大，一般兩層或兩層以下。 ni 為輸入節(jié)點(diǎn)數(shù)。用于在對話框中創(chuàng)建一個BP網(wǎng)絡(luò)。（3）purelin該函數(shù)為線性傳遞函數(shù)。 %訓(xùn)練樣本dn_train = x1。 %訓(xùn)練次數(shù)P = xn_test。例如，把SF1故障模式的故障信號導(dǎo)入到MATLAB中，按照上述分析的方法提取故障特征的平均值（mean）、最大值（max）、最小值（min）、方差（var）、偏度（skewness）、峭度（kurtosis），得出的數(shù)據(jù)為n=[ ]表示出了SF1中20組數(shù)據(jù)的上述六種指標(biāo)。所以徑向基函數(shù)網(wǎng)絡(luò)也稱為局部感知場網(wǎng)絡(luò)。在訓(xùn)練中，當(dāng)權(quán)值調(diào)整的過大時，可能會導(dǎo)致網(wǎng)絡(luò)權(quán)值和閾值的調(diào)整停頓下來，這樣我們必須將初始權(quán)值選取的較小，學(xué)習(xí)速率也不宜過大。RBF網(wǎng)絡(luò)正是靠這樣一次次的自動循環(huán)確定隱藏層最優(yōu)神經(jīng)元的個數(shù)。利用MATLAB構(gòu)造RBF網(wǎng)絡(luò)時，其值總是從1開始，也就是說spread的默認(rèn)值是1。(2)newrb()。格式為Y=sim(net，P)。 goal = 1e8。同樣，我們經(jīng)過matlab的訓(xùn)練調(diào)整，分類率在90%。本課題是主要是通過運(yùn)用BP以及RBF神經(jīng)網(wǎng)絡(luò)的基本知識，以SallenKey低通濾波器及四運(yùn)放雙二階高通濾波器為例，為此建立實時診斷系統(tǒng)，從而進(jìn)一步幫助相關(guān)的工作人員快速、準(zhǔn)確地找到故障并排除故障，由此可看出，這種方法也已改變了以往只靠經(jīng)驗、查手冊的笨拙的方法，此外也為工廠的生產(chǎn)節(jié)約了大量的財力物力。 Francis. Criterion Function for BrokenBar Fault Diagnosis .IEEE Power :220–234, 2009[10] ．Rencher．Methods of multivariate analysis．New York：Wiley，1995．[11] 朱彥卿，何怡剛．一種基于模糊神經(jīng)網(wǎng)絡(luò)的模擬電路故障診斷方法[M]．計算機(jī)科學(xué)，2010,37(12)：280282[12] ong R．Park， and Chung Chen．Predicting sunspots using alayered perceptron neural network．IEEE Trans．Neural networks，1996，7(2)：501505．致謝在此論文完成之際，我由衷地感謝那些直接或間接為本文作出貢獻(xiàn)，或給與作者關(guān)懷和幫助