孫曉莉

摘要：本文重點(diǎn)闡述了BP神經(jīng)網(wǎng)絡(luò)的基本結(jié)構(gòu)和訓(xùn)練算法，論證這種算法實(shí)現(xiàn)模擬電路故障診斷的可行性，并指出了這種方法在電路故障診斷應(yīng)用中存在的優(yōu)勢(shì)與不足。BP神經(jīng)網(wǎng)絡(luò)的優(yōu)點(diǎn)是強(qiáng)大的模式分類能力強(qiáng)，缺點(diǎn)是需要訓(xùn)練樣本數(shù)量龐大，診斷效率低。

關(guān)鍵詞：BP神經(jīng)網(wǎng)絡(luò)；故障診斷；網(wǎng)絡(luò)訓(xùn)練

中圖分類號(hào)：TP183 文獻(xiàn)標(biāo)識(shí)碼：A 文章編號(hào)：1007-9416（2018）05-0101-02

在現(xiàn)有的人工神經(jīng)網(wǎng)絡(luò)理論中，BP神經(jīng)網(wǎng)絡(luò)使用最為廣泛。BP網(wǎng)絡(luò)（Back-Propagation Network）訓(xùn)練網(wǎng)絡(luò)權(quán)值的算法是后向傳播學(xué)習(xí)算法，它是一種多層前向神經(jīng)網(wǎng)絡(luò)。BP學(xué)習(xí)算法是人工智能專家Rumelhart于1986年創(chuàng)建的理論?，F(xiàn)代模擬電路故障診斷技術(shù)中應(yīng)用神經(jīng)網(wǎng)絡(luò)的基本上選擇的都是BP神經(jīng)網(wǎng)絡(luò)。

1 BP神經(jīng)網(wǎng)絡(luò)

1.1 BP模型結(jié)構(gòu)

BP網(wǎng)絡(luò)是一種二值輸出、全連接的反饋型網(wǎng)絡(luò)。BP網(wǎng)絡(luò)由輸入層、中間層和輸出層組成。BP網(wǎng)絡(luò)的同一層的節(jié)點(diǎn)沒有任何聯(lián)系，但兩層之間是全連接的。根據(jù)實(shí)際的需要，此模型能設(shè)計(jì)多個(gè)隱層。上一層神經(jīng)元（節(jié)點(diǎn)）的輸出值經(jīng)過連接權(quán)值加權(quán)的結(jié)果就是和它相連接的下一層神經(jīng)元的輸入。網(wǎng)絡(luò)中信息傳播的順序是輸入層→隱含層→輸出層。

1.2 BP算法

依據(jù)BP算法的設(shè)計(jì)理念，把BP神經(jīng)網(wǎng)絡(luò)的學(xué)習(xí)過程可分為四步：首先是“正向傳播”過程，它是完成輸入信號(hào)的傳輸，其傳輸順序是：輸入層→隱層→輸出層。其次是是“反向傳播”過程，它的功能是把輸出的偏差反饋給輸入，其方向正好與正向傳播相反，它的傳播順序是輸出層→隱層→輸入層，再逐層修正連接權(quán)值。三是網(wǎng)絡(luò)的訓(xùn)練。四是網(wǎng)絡(luò)趨向收斂。以下簡(jiǎn)要介紹這四大部分。

1.2.1 正向傳播

如果假設(shè)BP網(wǎng)絡(luò)的輸入層包含神經(jīng)元的數(shù)目為n，隱層的神經(jīng)元的個(gè)數(shù)為q，輸出層的節(jié)點(diǎn)數(shù)為m。f（x）1表示隱層的激活函數(shù)，f（x）2表示輸出層的激活函數(shù)，輸入層和隱層間的權(quán)值為Wki，隱層與輸出層間的權(quán)值為vjk，則隱層節(jié)點(diǎn)的輸出Zk為（把閾值寫入求和項(xiàng)中）：

輸出層節(jié)點(diǎn)的輸出為：

從以上兩個(gè)式子中得出以下結(jié)論：BP網(wǎng)絡(luò)的功能實(shí)際上是構(gòu)建m維空間向量與n維空間向量的非線性函數(shù)關(guān)系。

1.2.2 反向傳播

1.2.3 網(wǎng)絡(luò)訓(xùn)練

網(wǎng)絡(luò)訓(xùn)練就是反復(fù)學(xué)習(xí)，它的實(shí)質(zhì)是網(wǎng)絡(luò)的“記憶訓(xùn)練”。訓(xùn)練樣本的過程就是“正向傳播”和“反向傳播”同時(shí)交替?zhèn)鞑サ倪^程。神經(jīng)網(wǎng)絡(luò)的相對(duì)誤差就是預(yù)想輸出與實(shí)際輸出之間的差值，訓(xùn)練也是修正相對(duì)誤差連權(quán)值的過程。單次的訓(xùn)練包括正向傳播一次，再反向傳播一次。訓(xùn)練一個(gè)網(wǎng)絡(luò)要成千上萬次的正向傳播和反向傳播才。隨著訓(xùn)練的深入，網(wǎng)絡(luò)的實(shí)際輸出與預(yù)想輸出的差距會(huì)逐漸縮小。對(duì)于任何一個(gè)學(xué)習(xí)樣本，都要遵從樣本的排列順序才獲取到正確的連權(quán)值。

1.2.4 網(wǎng)絡(luò)收斂過程

網(wǎng)絡(luò)收斂過程就是求網(wǎng)絡(luò)輸出函數(shù)的極值，也是計(jì)算全局誤差的極小值的過程。BP算法的收斂速度慢，為了加快收斂速度，學(xué)者也做了很多的研究。這些方法包括：變步長(zhǎng)法、引入動(dòng)量因子法、改變誤差函數(shù)法等。

2 BP神經(jīng)網(wǎng)絡(luò)應(yīng)用于模擬電路故障診斷的優(yōu)勢(shì)和不足

在現(xiàn)有的各種類型神經(jīng)網(wǎng)絡(luò)中，人們研究最多的是BP網(wǎng)絡(luò)，因此它的成果也比較多。BP神經(jīng)網(wǎng)絡(luò)的最大優(yōu)點(diǎn)是強(qiáng)大的模式分類能力強(qiáng)。故障分類一直是故障診斷技術(shù)的難題，BP網(wǎng)絡(luò)正好能解決這一難題，BP網(wǎng)絡(luò)在故障診斷領(lǐng)域應(yīng)用廣泛。

使用BP神經(jīng)網(wǎng)對(duì)模擬電路的故障進(jìn)行分類，針對(duì)不同的故障類型，網(wǎng)絡(luò)總能找到相應(yīng)的數(shù)據(jù)作為BP神經(jīng)網(wǎng)絡(luò)的訓(xùn)練樣本。由于BP神經(jīng)網(wǎng)絡(luò)分類器具有自學(xué)習(xí)功能，所以不僅能識(shí)別出已經(jīng)訓(xùn)練過的樣本，通過記憶聯(lián)想還能識(shí)別以前沒有出現(xiàn)過的樣本。BP網(wǎng)絡(luò)在模擬電路故障診斷應(yīng)用中的主要缺陷是需要大量的訓(xùn)練樣本。模擬電路故障診斷過程中運(yùn)用BP神經(jīng)網(wǎng)絡(luò)的分類器時(shí)，要想獲得一個(gè)訓(xùn)練樣本必須進(jìn)行一次電路測(cè)試，所以獲取樣本費(fèi)時(shí)費(fèi)力，代價(jià)很大。故障的種類越多，選取的樣本數(shù)據(jù)的數(shù)量就會(huì)大量增加，訓(xùn)練的次數(shù)自然也跟著增加，診斷效率降低。

3 結(jié)語

自模擬電路故障診斷技術(shù)研究以來，人們提出的行之有效的故障診斷方法還是比較少。本文針對(duì)傳統(tǒng)的故障診斷系統(tǒng)不能進(jìn)行自我學(xué)習(xí)、自我適應(yīng)，知識(shí)獲取困難等不足作出改進(jìn)，提出了基于BP神經(jīng)網(wǎng)絡(luò)的模擬電路診斷方法，對(duì)于模擬電路軟故障的診斷，具有良好的分類能力，提高了故障診斷的正確率。

參考文獻(xiàn)

[1]李璐怡，李志華.一種基于小波預(yù)處理的模擬電路故障診斷方法[J].電子設(shè)計(jì)工程，2014，22（14）：146-148.

[2]黃如科，梁天生，余漢華.基于小波變換與BP神經(jīng)網(wǎng)絡(luò)的模擬電路故障診斷[J].電子科技，2014，27（08）：46-49.