【正文】 ]表示出了SF1中20組數(shù)據(jù)的上述六種指標。這樣就得到了20組用于訓(xùn)練和測試的原始數(shù)據(jù)樣本集。111111111100000000000000000000000001111111110000000000000000000000000111111000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000011111000000000000000000000000011111111110000000000000000000000000111111111111111111110000000000000000000000000111111111100000000000000000000000001111100000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000001111100000000000000000000000001111111111000000000000000000000000011111111114 基于RBF神經(jīng)網(wǎng)絡(luò)的模擬電路故障診斷 RBF神經(jīng)網(wǎng)絡(luò)基本知識概述 RBF神經(jīng)網(wǎng)絡(luò)的基本原理徑向基函數(shù)神經(jīng)網(wǎng)絡(luò)（即RBF神經(jīng)網(wǎng)絡(luò)，下面統(tǒng)稱RBF神經(jīng)網(wǎng)絡(luò)）的結(jié)構(gòu)類似于BP神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)組成，主要有輸入層、隱含層和輸出層，隱含層的神經(jīng)元數(shù)目不是確定的，需要根據(jù)不同的情況確定不同的數(shù)值。當(dāng)輸入信號靠近基函數(shù)的中央范嗣時，隱含層節(jié)點將產(chǎn)生較大的輸出。所以徑向基函數(shù)網(wǎng)絡(luò)也稱為局部感知場網(wǎng)絡(luò)。目前理論上已經(jīng)得出結(jié)論，認為隱含層神經(jīng)元數(shù)越多，網(wǎng)絡(luò)的逼近效果越強。 輸入層 隱含層 輸出層 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)勢上述運用了BP神經(jīng)網(wǎng)絡(luò)進行故障診斷，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：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)了很多改進的BP算法，其中有改進的自適應(yīng)學(xué)習(xí)速率算法等。再次，BP網(wǎng)絡(luò)隱層的層數(shù)、節(jié)點數(shù)的確定缺乏理論依據(jù)和指導(dǎo)，通過試驗和以往的經(jīng)驗來選取合適的結(jié)構(gòu)是有效的途徑。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。（2）RBF神經(jīng)網(wǎng)絡(luò)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(luò)RBF神經(jīng)網(wǎng)絡(luò)是完成映射功能的最優(yōu)網(wǎng)絡(luò)。（4）分類能力好。綜合以上因素，我們采用RBF神經(jīng)網(wǎng)絡(luò)再次對故障電路進行診斷。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)。（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支。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。所以說也是對RBF神經(jīng)網(wǎng)絡(luò)的不足進行改進后的網(wǎng)絡(luò)，在對待樣本訓(xùn)練模式分類上有一定的優(yōu)勢。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的默認值是1。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。 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)。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)。(2)newrb()。格式為net=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。徑向基傳遞函數(shù)。(4)sim()。格式為Y=sim(net，P)。 RBF神經(jīng)網(wǎng)絡(luò)訓(xùn)練的部分代碼如下:xn_train = n1。 % 訓(xùn)練目標 xn_test = n2。 % 測試目標 P = xn_train。 goal = 1e8。 % 此值越大,需要的神經(jīng)元就越少(默認為1) MN = size(xn_train,2)。 % 顯示間隔(默認為25) net = newrb(P,T,goal,spread,MN,DF)。 % 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進行研究。同樣，我們經(jīng)過matlab的訓(xùn)練調(diào)整，分類率在90%。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。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重的人員傷亡。在本次畢業(yè)設(shè)計中，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。本課題是主要是通過運用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)，從而進一步幫助相關(guān)的工作人員快速、準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。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，其性能也不能達到預(yù)想的效果。BP網(wǎng)絡(luò)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(fù)的無常性，從而使之缺乏通用性。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。 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，或給與作者關(guān)懷和幫助的人們。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)度嚴謹是一名優(yōu)秀的人民教師。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。在這里，我非常感謝他們對我的無微不至