基于 BP 神经网络的模拟电路诊断

摘要：在现有的人工神经网络理论中,BP神经网络使用最为广泛。BP网络(Back-Propagation Network)训练网络权值的算法是后向传播学习算法,它是一种多层前向神经网络。BP学习算法是人工智能专家Rumel hart于1986年创建的理论。现代模拟电路故障诊断技术中应用神经网络的基本上选择的都是BP神经网络。本文基于BP神经网络的模拟电路诊断展开论述。 关键词：BP神经网络；模拟电路；诊断 引言

ＢＰ神经网络方法应用ｓｉｇｍｏｉｄ激励模型，能够实现对各点的精准逼近，并在多个制约条件下，构建达到最优状态的理想模拟点；此外，该方法结合随机逼近方法，可实现复杂数学模型的精准逼近。 １神经网络算法基础研究

神经网络算法属于一种交叉型的边缘学科，并成为集人工智能、认知学、图学与非线性动力学为一体的研究点，其研究领域包含了连接记忆、自主化学习与机器视觉等方向。BP网络是一种二值输出、全连接的反馈型网络。BP网络由输入层、中间层和输出层组成。BP网络的同一层的节点没有任何联系,但两层之间是全连接的。根据实际的需要,此模型能设计多个隐层。上一层神经元(节点)的输出值经过连接权值加权的结果就是和它相连接的下一层神经元的输入。网络中信息传播的顺序是输入层→隐含层→输出层。 2BP神经网络

BP(Black Propagation)神经网络是由Rumel hart和McClelland为首的科学家提出的概念,是一种按照误差逆向传播算法训练的多层前馈网络,是至今为止应用最广泛的神经网络。它的基本思想是梯度下降法,利用梯度搜索技术,以期使网络的实际输出值和期望值的误差均方差为最小。如图1为BP神经网络拓扑结构,包含输入层、隐层与输出层,若输出层得不到期望输出则转入误差反向传播,根据预测误差调整神经网络的网络权值、阈值,以期逼近期望输出。图1中,X1,X2,…,Xm是BP神经网络的输入参数,Y1,Y2,…,Yn是输出参数,ωij与ωjk为神经网络权值,b为神经网络阈值,其中a=f1(ωp+b1),y=f2(ωa+b2)。

3BP神经网络算法均衡模型

随着计算机处理能力的大幅提升，机器学习成为热门学科。神经网络等机器学习算法在很多领域优势明显，通信学科亦是如此。BP神经网络被广泛用于各种信号处理场景，如语音处理、图像识别等，其中广泛使用的模型是“M-P神经元模型”。神经元树突部分用于接收传输信号xn，输入信号与权值θn相乘，通过累加后求得输出神经元的输入值，再与自身阈值进行比对判断是否产生输出，从而完成信号的非线性映射处理。神经网络是将N个小单元按照一定的次序组合在一起的结果，因此神经网络内部含有大量的权值和阈值需要确定。

BP神经网络算法的工作原理包括两个过程：（1）正向求解，即输入层神经元接收的信号顺着神经网络正向流动，逐级求解，直至到达输出层神经元，并经过输出层神经元处理后得到输出信号。（2）反向校正，若该输出信号与其期望值存在误差，则神经网络进行反向校正过程。反向过程将误差值e顺信号传播的反方向传递，使各神经元调整权值和阈值，直至输入层，如此反复。 4BP神经网络应用于模拟电路故障诊断的优势和不足

在现有的各种类型神经网络中,人们研究最多的是BP网络,因此它的成果也比较多。BP神经网络的最大优点是强大的模式分类能力强。故障分类一直是故障诊断技术的难题,BP网络正好能解决这一难题,BP网络在故障诊断领域应用广泛。使用BP神经网对模拟电路的故障进行分类,针对不同的故障类型,网络总能找到相应的数据作为BP神经网络的训练样本。

由于BP神经网络分类器具有自学习功能,所以不仅能识别出已经训练过的样本,通过记忆联想还能识别以前没有出现过的样本。BP网络在模拟电路故障诊断应用中的主要缺陷是需要大量的训练样本。

5ＢＰ神经网络方法下的模拟电路故障诊断要点解析

ＢＰ神经网络方法下的模拟电路故障诊断研究。ＢＰ神经网络模型架构与学习规律主要是在ＢＰ神经网络模型准则下，构建一个输入层，一组或者多组隐含层和一个输出层完成ＢＰ神经网络的数据结构分析，并利用ｎ组输入信息和ｋ个输出信息构建ＢＰ神经网络的学习进程。而ＢＰ神经网络学习板块则主要完成正向传送、反向传送与偏差调节的功能。该方法利用ＢＰ神经网络方法的传递解析式和迭代测算，结合任意可微分函数构建传递函数。 6模拟电路结合BP神经网络的故障诊断 6.1BP网络模拟电路故障诊断的要点

BP模拟电路故障诊断将学习的故障特征与实时的故障症状对比，以达到快速诊断故障的目的。第一步，必须进行数据过滤得到由样本空间到数据空间的映射；数据空间经过设定的算法处理，提取数据集的固定特征，得到不变故障特征数据集；第二步，根据获得的实时故障特征，在保证不失真的前提下，降维获得有用的特征。由获得的降维特征集提取原始特征集的特征信息判定当前是否有故障。一般可采用BP神经网络方法构建故障数据代码库，不仅可以类比识别实时故障，甚至可记忆联想可能出现的故障。建立交直流故障诊断数据库时注重三个方面：首先，要保证获得尽量多的数据来训练模型数据库；其次，为保证实验的可行性和简易性，要选择合适的测量电压电流数据的点；再次，对于每个故障都要单独实验，重新测试数据，避免彼此干扰，保证数据的准确性。 6.2BP网络用于模拟电路故障检测评价

模拟电路的故障种类特点是非线性随机的数据点，BP神经网络只用三层感知器可完成绝大部分的非线性映射，所以BP网络对于不同的故障类型，完全可以找到相应的数据作为训练样本。由于BP网络是一种模拟人脑的智能算法，不仅能识别已经训练的样本故障类型，还能识别未训练的样本类型，甚至可以预测故障。BP网络在模拟电路故障检测中的主要障碍是训练样本量难以获得。 结束语

伴随现代电子技术的飞速发展，电路整体规模与结构功能逐步模块化与集成化，因而给模拟电路系统的故障诊断带来严峻的挑战。伴随电子行业的飞速发展，模拟电路的繁杂度与集成程度随之增加，对模拟电路的可靠度也逐步提高，模拟电路的故障诊断成为高科技行业的研究重点。 参考文献

[1]马峻,赵飞乐,徐潇,陈寿宏.MRA-PCA-PSO组合优化BP神经网络模拟电路故障诊断研究[J].电子测量与仪器学报,2018,32(03):73-79.

[2]熊超.基于机器学习的模拟电路故障诊断研究[D].兰州交通大学,2017.

[3]崔珊珊.基于神经网络及储备池计算的模拟电路故障诊断的研究与实现[D].东北大学,2017.