2015年第6期文章编号:1009—2552(2015)06—0166—04DOI:.,夏敏芳(上海理工大学光电信息与计算机工程学院,上海200093)摘要:模拟电路的特征提取和分类识另·J可以通过在神经网络训练中应用最多的BP算法来实现。由于标准BP算法的收敛速度较慢、在训练中效率不高的缺点,文中提出了一种快速稳定的LevenbergMarquardt(LM)算法来改进BP算法。Pspice与MATLAB相结合的仿真结果表明该算法能有效地诊断模拟电路故障,且具有更好地收敛性,适用于神经网络。关键词:模拟电路;神经网络;BP算法;Levenberg-Marquardt算法中图分类号:TM91文献标识码:AResearchonanalogcircuitsfaultdiagnosisbasedonLevenberg-(SchoolofOptical-puterEngineering,UniversityofShanghaiforScience&Technology,Shanghai200093,China)Abstract:,andhaslowefficiencyintraining,thispaperpresentsafastandstableLevenberg-Marquardt(LM),:analogcircuit;work;BPalgorithm;Levenberg—Marquardtalgorithm0引言自70年代以来模拟电路的故障诊断技术一直受到人们的广泛关注,随着复杂度和密集度的不断增长,直接制约着电子设备或系统的可靠性。近年来,神经网络在模拟电路故障诊断中的运用越来越广泛,由于神经网络的输入,直接影响着诊断的正确率和网络的性能,所以对作为电路输入的故障特征有了更高的要求?。由于小波变换的时频局部化特征、深刻的反映电路的各种运行状态等优点,故其在故障特征的提取方面意义重大。目前应用最广泛的神经网络学习算法就是BP算法,有近90%的神经网络以BP算法为标准。简单、易行、计算量小、并行性强等均为标准BP算法的优点,但仍不可避免地具有学习时间长、易陷入166一局部最小、收敛速度慢等缺点。为了克服这些问题,本文采用了基于Levenberg—Marquardt算法的神经网络来进行模拟电路的故障诊断分析。LM算法不但结合了高斯一牛顿法的局部收敛性与梯度下降法的全局特性,而且在局部搜索能力上比BP网络强。(inputlayer)、隐含层(hidelayer)和输出层(outputlayer)在内的拓扑结构模型构成了BP神经网络。BP网络隐层中的神经元一般
LM算法在模拟电路故障诊断中的研究-论文.pdf 来自淘豆网m.daumloan.com转载请标明出处.
