遗传小波神经网络的非线性模拟电路故障诊断方法

提出了一种将遗传算法(GA)、神经网络与小波变换相结合对非线性模拟电路进行故障诊断的方法;分析了传统BP型神经网络在非线性模拟电路故障诊断中存在的缺陷;提出了一种新的解决方法--利用小波变换对非线性电路故障信号进行预处理,对故障信号中的冗余信息进行剔除,然后利用遗传算法优化BP网络参数,如网络权值、阈值等.利用该方法对非线性电路进行故障诊断,有利于提高神经网络对电路故障诊断的智能性及识别故障类别的能力,提高故障诊断的精度与速度.实验结果表明,该方法是可行的.     

模拟数字电路故障诊断新方法

利用小波变换与神经网络相结合的方法,采用能量分布特征提取方法和改进BP算法,给出了一种基于小波变换和BP神经网络相结合的模拟电路故障诊断方法.用正弦信号仿真模拟电路,应用小波变换对模拟电路的采样信号进行多尺度分解,再进行能量分布特征提取,然后利用神经网络对各种状态下的特征向量进行分类识别,实现模拟电路故障诊断.在用神经网络诊断模拟电路的基础上,进行了将神经网络用于数字电路单故障诊断的研究.对两者的实例电路仿真结果表明,神经网络可以有效、方便地实现电路的故障检测和定位,准确率高,为故障诊断的研究提供了一种新思路.     

一种基于神经网络的模拟电路故障诊断方法

模拟电路故障诊断一直是一项富有挑战性的研究课题。文章在简要介绍BP神经网络基本原理的基础上,以差分放大电路为例,设计并实现了基于BP算法的模拟电路故障诊断方法,建立了模拟电路故障诊断BP神经网络模型。实验表明,该模型的辨识精度高,能实现对模拟电路故障的正确诊断。     

基于遗传LMBP神经网络模型的股票预测

股票市场是一个高度非线性的系统,通过传统的方法建立较为精确的预测模型比较困难。文章建立了基于遗传算法的LMBP神经网络组合预测模型。利用遗传算法优化BP神经网络的连接权和阈值。采用LMBP算法改进模型的收敛速度。实例验证表明,在建模样本和预测因子相同的条件下,该模型比传统BP网络的预测结果稳定且精度高。     

模拟电路的融合智能故障诊断

随着我国电力系统建设不断完善,各项技术不断革新,电力系统的故障处理方法也越来越多。本文采用神经网络、遗传算法以及模糊理论等完成电路的融合智能诊断,为确保电力系统的安全运行提供保障。本文主要采用模糊积分融合法来对模拟电路进行融合故障诊断,并且在本文之中采用BP网络算法来对故障进行诊断,希望通过对模拟电路的诊断方法进行研究为模拟电路的故障诊断提供借鉴和参考。     

基于LMBP神经网络的惯性器件故障预报方法研究

利用Levenberg-Marquardt(L-M)算法优化计算BP权值调整量,将L-M算法与传统的BP网络相结合开发出一种快速收敛的LMBP网络,并在此基础上提出了基于LMBP神经网络的时间序列预测方法。最后利用该方法对某惯性器件进行故障预报,通过仿真实验证明了该方法的有效性。     

基于CPLD和BP算法的模拟电路故障诊断

由于模拟电路故障诊断本身的复杂性,目前已提出了很多相关的理论和算法。文中采用一种理论上比较成熟的人工神经网络BP算法,利用CPLD运算速度快、接口灵活等特点,提出了按层次化的设计方法建立神经网络的硬件模型,构造了基于CPLD的BP神经网络,并在此基础上实现了模拟电路故障诊断算法,相对于传统的故障字典法速度更快、效率更高。     

模拟电路故障诊断的BP神经网络方法研究

BP网络是模拟电路故障诊断中应用十分广泛的一种神经网络。针对传统BP算法的误差下降缓慢,调整时间长,甚至容易陷入局部极小点而不能自拔等局限性,提出用弹性算法与BP网络相结合的方法,并结合某型雷达装备的具体电路,运用该方法建模、仿真。实验结果表明,采用弹性算法结合后的BP网络误差收敛稳定,训练速度快,在克服传统BP算法的局限性上效果显著,为新型雷达装备的故障诊断和维修提供了一种方法,具有特定的实用意义。     

模拟电路故障诊断的神经网络优化方法综述

对故障诊断和模拟电路的特点做了简要介绍,分析了故障诊断的现状和相关研究方法。针对目前用于模拟电路故障诊断的神经网络,阐述了优化神经网络的方法--小波变换、遗传算法、模糊理论、粒子群算法和聚类算法等,并对未来的发展方向进行了展望。     

遗传算法优化BP神经网络的大功率LED结温预测

将遗传算法(GA)与BP神经网络相结合,对研发的120W LED双进双出的射流冲击水冷散热系统中LED阵列的结温进行预测。采用GA优化BP网络的权值和阈值,利用BP算法训练网络,改善了单独使用BP网络容易陷入局部极小值和收敛速度慢的缺点。并且在训练过程中为了使网络输出有足够长的空间,改进了GA的数据处理。结果表明,经GA优化的BP神经网络较使用Levenberg-Marquardt(LM)算法优化的BP神经网络的大功率LED结温预测精确度提高了14.14%,且预测效果较稳定。GA和BP神经网络相结合的结温预测模型较传统的结温测量方法更能掌握散热结构设计的主动性,对大功率LED寿命的延长有较高的实用价值。     

基于Takagi-Sugeno型自适应模糊神经网络的模拟电路故障诊断

该文提出了一种基于Takagi-Sugeno型自适应模糊神经网络故障诊断方法。首先通过电路仿真获得故障样本,其次利用主成分分析对故障样本进行降维处理,减少自适应模糊神经网络的输入,降低训练时间,然后采用BP算法与最小二乘法相结合的混合学习算法训练自适应模糊神经网络的连接权值和隶属度函数。仿真结果表明,此方法能够快速有效地对模拟电路的故障进行诊断和定位,表现出了很好的应用潜力,在容差模拟电路故障诊断领域具有较好的应用前景。     

基于神经网络与证据理论的模拟电路故障诊断

论述了利用多类电量测试信息、应用神经网络与D-S证据理论实现模拟电路故障诊断的基本原理,提出了一种基于可测点电压与不同测试频率下的电路增益经决策层信息融合的故障诊断新方法.分别利用此两类测试信息,各用一个独立的改进BP网络对电路进行初步诊断,再运用所提融合诊断算法实现故障定位.模拟实验结果表明:所提方法对硬故障与元件参数偏移较小的软故障均适用,故障定位准确率高.     

基于混合遗传算法的模拟电路自动设计研究

模拟电路在电子系统设计中具有重要意义.模拟电路设计包括电路拓扑结构设计和元件值设计,这两个方面对计算机辅助模拟电路设计都很重要.但是,传统的遗传算法在不断进化电路元件值时效率低.因此,本文提出一种具有超突变和精英策略的混合遗传算法HME-GA.该方法不仅可以用来设计电路的拓扑结构,而且可用于设计电路的元件值.实验结果表明,HEM-GA算法优于简单遗传算法GA,可作为计算机辅助模拟电路设计的有效方法,在模拟电路自动化设计中具有非常重要的意义和巨大的应用潜力.     

A hierarchy in mutation of genetic algorithm and its application to multi-objective analog/RF circuit optimization

This paper presents a multi-objective analog circuit design optimization tool using genetic algorithm based on hierarchical mutation scheme. The idea is to improve the convergence and diversity of genetic algorithm by incorporating hierarchy during polynomial mutation operation. In this regard, a theoretical framework of proposed genetic algorithm is presented using Markov chain principle. To investigate the effectiveness of hierarchy in polynomial mutation operator, the scheme is compared with six different mutation strategies. Experiments are performed for different function evaluations to evaluate the performance of hierarchical polynomial mutation operator. Further, to showcase the improvement in genetic algorithm, numerous experiments are performed on twelve different test functions and two design examples. The proposed genetic algorithm shows competitive performance over other standard optimization techniques in terms of both convergence and diversity of solutions.     

Selection of Input Stimulus for Fault Diagnosis of Analog Circuits Using ARMA Model

The paper addresses the problem of fault diagnosis of analog circuits based on dictionary approach. The proposed approach first identifies an adequate set of test frequencies to optimize the process of detection and isolation of simulated fault scenarios. The circuit under test (CUT) is then excited by an input stimulus composed of a set of sinusoidal waveforms with the selected test frequencies. The circuit response, at different fault scenarios, is preprocessed by an autoregressive moving average (ARMA) model to yield a set of features formulating the fault dictionary. Collected features are utilized to train and test a back-propagation (BP) neural network (NN) based classifier. Demonstrative results from soft fault simulation of two active circuit examples prove the excellent effectiveness of the proposed algorithm.     

Fault detection in analogue circuits using hybrid evolutionary algorithm and neural network

With the development of analog integrated circuits technology and due to the complexity, and various types of faults that occur in analog integrated circuits, fault detection is a new idea, has been studied in recent decades. In this paper a three amplifier state variable filter is used as circuit under test (CUT) and, a hybrid neural network is proposed for soft fault diagnosis of the CUT. Genetic algorithm (GA) has the powerful ability of searching the global optimal solution, and back propagation (BP) algorithm has the feature of rapid convergence on the local optima. The hybrid of two algorithm will improve the evolving speed of neural network. GA-BP scheme adopts GA to search the optimal combination of weights in the solution space, and then uses BP algorithm to obtain the accurate optimal solution quickly. Experiment results show that the proposed GA-BP scheme is more efficient and effective than BP algorithm.