【正文】 在這里，我非常感謝他們對我的無微不至的栽培。 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(guān)心和支持。陳老師給我的輔導(dǎo)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(yán)謹(jǐn)是一名優(yōu)秀的人民教師 。 Francis. Criterion Function for BrokenBar Fault Diagnosis .IEEE Power :220– 234, 20xx [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(jì)算機(jī)科學(xué)，20xx,37(12)： 280282 [12] ong R． Park， and Chung Chen． Predicting sunspots using a layered perceptron neural work． IEEE Trans． Neural works， 1996， 7(2)：501505． 寧波大學(xué)科學(xué)技術(shù)學(xué)院本科畢業(yè)設(shè)計(jì)（論文） 31 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)懷和幫助的人們。 RBF 神經(jīng)網(wǎng)絡(luò)的展望：在今后的研究中可能會朝著改進(jìn) RBF 網(wǎng)絡(luò)的非線性映射能力上去深入研究，以此來提高網(wǎng)絡(luò)診斷的性能。 BP 網(wǎng)絡(luò)算法，但是這也僅僅能對一些特定的問題進(jìn)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(fù)的無常性，從而使之缺乏通用性。其次影響 RBF 神經(jīng)網(wǎng)絡(luò)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(dǎo)致其不能提取出準(zhǔn)確的數(shù)據(jù)去構(gòu)造 RBF 神經(jīng)網(wǎng)絡(luò)，顯然，其性能也不能達(dá)到預(yù)想的效果 。 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(shí)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(yàn)、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(cái)力物力。 在本次畢業(yè)設(shè)計(jì)中，我主要研究基于 BP 神經(jīng)網(wǎng)絡(luò)及基于 RBF 神經(jīng)網(wǎng)絡(luò)的故障診斷。除此之外，一個元器件或者多個元器件的損壞很可能導(dǎo)致電路癱瘓或者更嚴(yán)重的人員傷亡。傳統(tǒng)的設(shè)備檢測已經(jīng)難以滿足這種高設(shè)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。 同樣，我們經(jīng)過 matlab 的訓(xùn)練調(diào)整，分類率在 90%以上的訓(xùn)練誤差曲線如圖 所示，表 和表 分別是實(shí)際輸出值與期望輸出值。 % 測試 輸出為預(yù)測值 X = full(pet(X)) % 競爭輸出 Result = ~sum(abs(Xx2)) % 正確分類顯示為 1 Percent = sum(Result)/length(Result) % 正確分類率 四運(yùn)放雙二階高通濾波器的故障診斷 像上述一樣，由于數(shù)據(jù)龐大，我們選取了其中的 SF0,SF1,SF4,SF5,SF7 進(jìn)行研究。 % 顯示間隔 (默認(rèn)為 25) = newrb(P,T,goal,spread,MN,DF)。 % 此值越大 ,需要的神經(jīng)元就越少 (默認(rèn)為 1) MN = size(xn_train,2)。 goal = 1e8。 % 測試目標(biāo) 電子電路故障診斷系統(tǒng)設(shè)計(jì) 26 P = xn_train。 % 訓(xùn)練目標(biāo) xn_test = n2。 RBF 神經(jīng)網(wǎng)絡(luò)訓(xùn)練的部分代碼如下 : xn_train = n1。格式為 Y=sim(， P)。 (4)sim()。徑向基傳遞函數(shù)。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(xùn)練精度，缺省值為 0， MN 為神經(jīng)元個數(shù)的最大值， DF 為訓(xùn)練過程的顯示頻率。 (2)newrb()。該函數(shù)用于徑向基函數(shù)網(wǎng)絡(luò)的快速構(gòu)建，且使得設(shè)計(jì)誤差為 0，該函數(shù)使徑向基層神經(jīng)元數(shù)目等于輸入向量的個數(shù)。 RBF 神經(jīng) 網(wǎng)絡(luò)工具箱函數(shù) MATLAB 的 RBF 網(wǎng)絡(luò)工具箱中包含著多種函數(shù)，正是通過這些函數(shù)構(gòu)造 RBF 神經(jīng)網(wǎng)，這里介紹幾個常用的工具箱函數(shù)。 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。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。所以說也是對 RBF 神經(jīng)網(wǎng)絡(luò)的不足進(jìn)行改進(jìn)后的網(wǎng)絡(luò)，在對待樣本訓(xùn)練 模式分類 上有一定的優(yōu)勢 。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 。 （ 3） 概率神經(jīng)網(wǎng)絡(luò) PNN 以上介紹了廣義回歸神經(jīng)網(wǎng)絡(luò)是 RBF 神經(jīng)網(wǎng)絡(luò)的其中一分支，這里要說的它的另一分寧波大學(xué)科學(xué)技術(shù)學(xué)院本科畢業(yè)設(shè)計(jì)（論文） 25 支。 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)。 綜合以上因素，我們采用 RBF 神經(jīng)網(wǎng)絡(luò)再次對故障電路進(jìn)行診斷。 （ 4）分類能力好。 （ 2） RBF 神經(jīng)網(wǎng)絡(luò)具有較強(qiáng)的輸入和輸出映射功能，并且理論證明在前向網(wǎng)絡(luò) RBF 神經(jīng)網(wǎng)絡(luò)是 完成映射功能的最優(yōu)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。 再次， BP 網(wǎng)絡(luò)隱層的層數(shù)、節(jié)點(diǎn)數(shù)的確定缺乏理論依據(jù)和指導(dǎo)，通過試驗(yàn)和以往的經(jīng)驗(yàn)來選取合適的結(jié)構(gòu)是有效的途徑。 輸入層 隱含層 輸 出層 圖 RBF 神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu) RBE 神經(jīng)網(wǎng)絡(luò)用于故障診斷的優(yōu)勢 上述運(yùn)用了 BP 神經(jīng)網(wǎng)絡(luò)進(jìn)行故障診斷，雖然 BP 網(wǎng)絡(luò)得到了廣泛的應(yīng)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(shè)計(jì) 24 首先，學(xué)習(xí)速率是不變的，即每一次訓(xùn)練權(quán)值的變化量是固定不變的，往往使得網(wǎng)絡(luò)的訓(xùn)練時間很長，甚至有時選取了較小的學(xué)習(xí)速率，已經(jīng)達(dá)到了訓(xùn)練步長數(shù)，而網(wǎng)絡(luò)還沒有收斂，后來出現(xiàn)了很多改進(jìn)的 BP 算法，其中有改進(jìn)的自適應(yīng)學(xué)習(xí)速率算法等。 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(jì)簡潔、逼近能力不俗且不存在局部極小等一系列的優(yōu)勢。 RBF 神經(jīng)網(wǎng)絡(luò)是一種典型的局部逼近神經(jīng)網(wǎng)絡(luò)．對于每個輸入輸出數(shù)據(jù)對，只有少量權(quán)值需要調(diào)整，從而使局部逼近網(wǎng)絡(luò)具有學(xué)習(xí)速度快的優(yōu)點(diǎn)。由此可看出這種網(wǎng)絡(luò)具有局部逼近能力。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)。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%以上的訓(xùn)練誤差曲線如 所示，表 和表 分別是實(shí)際輸出值與期望輸出值。 同理，得到其它 4 種模式的輸入，輸出樣本集。 %最大訓(xùn)練時間 Result = ~sum(abs(Xx2)) %正確分類顯示為 1 Percent = sum(Result)/length(Result)%正確分類率 SallenKey 低通濾波器的故障診斷 由于數(shù)據(jù)龐大 ,我們選取了其中的 SF0,SF1,SF3,SF5,SF8 進(jìn)行研究。 %最小梯度 = 200。 %最大訓(xùn)練次數(shù) = 1e8。 %測試輸入 T = dn_test。 %訓(xùn)練輸出 Epochs = 1000。 %輸出維數(shù) p1 = xn_train。 %測試目標(biāo) NodeNum =10。 %訓(xùn)練目標(biāo) xn_test = n2。 BP 神經(jīng)網(wǎng)絡(luò)訓(xùn)練的部分代碼如下： xn_train = n1。該函數(shù)的調(diào)用格式為： [,tr,Y,E,Pf,Af]=train(NET,P,T,Pi,Ai) [,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)。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(xué)科學(xué)技術(shù)學(xué)院本科畢業(yè)設(shè)計(jì)（論文） 19 info=learngd(code) 2) learngdm 函數(shù)為梯度下降動量學(xué)習(xí)函數(shù)，它利用神經(jīng)元的輸入和誤差、權(quán)值或閾值的學(xué)習(xí)速率和動量常數(shù)，來計(jì)算權(quán)值或閾值的變化率。調(diào)用格式為： A=purelin（ N） info=purelin（ code） 其中， N： Q 個 S 維的輸入列向量； A：函數(shù)返回值， A=N。調(diào)用格式為： A=tansig（ N） info=tansig（ 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（ 1， 1）之間。 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)。 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(luò) 的橋梁 。 為創(chuàng)建的新 BP 神經(jīng)網(wǎng)絡(luò)； PR 為網(wǎng)絡(luò)輸入向量取值范圍的矩陣； [S1 S2…SN 1]表示網(wǎng)絡(luò)隱含層和輸出層神經(jīng)元的個數(shù)； {TF1 TF2…TFN1} 表示網(wǎng)絡(luò)隱含層和輸出層的傳輸函數(shù)，默認(rèn)為 ‘tans ig’ ； BTF 表示網(wǎng)絡(luò)的訓(xùn)練函數(shù)，默認(rèn)為 ‘train lm’ ； BLF 表示網(wǎng)絡(luò)的權(quán)值學(xué)習(xí)函數(shù)，默認(rèn)為 ‘learn gdm’ ； 電子電路故障診斷系統(tǒng)設(shè)計(jì) 18 PF 表示性能數(shù)，默認(rèn)為 ‘mse’ 。調(diào)用格式為： =newff =newff(PR,[S1 S2..SN1],{TF1 TF2..TFN1},BTF,BLF,PF) 其中， =newff。 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(yàn)公式： n2lo g?S （ ） ???? nmS （ ） 1m2 ??S （ ） mn?S （ ） 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)。 （ 5）網(wǎng)絡(luò)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(luò)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(guān)重要，時刻影響著網(wǎng)絡(luò)的擬合能力。 n0 為輸出節(jié)點(diǎn)數(shù) 。常見的經(jīng)驗(yàn)公式有： 0in n n a? ? ? () 寧波大學(xué)科學(xué)技術(shù)學(xué)院本科畢業(yè)設(shè)計(jì)（論文） 17 式中 : n 為隱層節(jié)點(diǎn)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 。 （ 3）輸出層的節(jié)點(diǎn)數(shù)： 輸出層節(jié)點(diǎn)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。 (2)輸入層的節(jié)點(diǎn)數(shù)： 輸入層起緩沖存儲器的作用 , 它的功能是當(dāng)有數(shù)據(jù)進(jìn)行輸入時 ,其進(jìn)行接