紧致型小波网络在模拟电路故障诊断中的应用

提出了一种新的基于紧致型小波神经网络的模拟电路故障诊断方法。该法首先利用小波包变换对故障信号进行预处理,减少了紧致型小波神经网络的输入数目,简化了紧致型小波神经网络结构,然后对紧致型小波神经网络进行训练和测试。仿真试验表明,该方法比普通BP神经网络方法训练速度更快,诊断准确率更高,容错能力强,非常适用于模拟电路故障诊断。     

一种基于小波-神经网络的模拟电路故障诊断方法

小波分析具有数据压缩和特征提取的特性,神经网络具有非线性映射和学习推理的优点。结合两者的特点,提出了一种基于小波与神经网络的模拟电路故障诊断方法,该方法用小波变换对电路响应信号进行特征提取,从而简化神经网络的结构,降低计算的复杂度,加快了训练速度。对实例仿真表明,该法能有效地对模拟电路进行故障诊断。     

基于多分辨分析和WNN的模拟电路故障诊断

提出了一种基于多分辨分析和小波神经网络(WNN)相结合的模拟电路故障诊断方法。该方法利用了多分辨分析优异的时频特性,提取采集数据中的故障特征参数值,结合小波神经网络强大的非线性分类、学习、泛化能力及精度高、收敛速度快等特性,将得到的输入数据进行归一化处理作为小波神经网络的输入对其进行训练,并将训练的结果应用于滤波器电路故障诊断。结果表明,该方法实现了对故障模块的定位,是一种有效的模拟电路故障诊断方法。     

基于小波神经网络的模拟电路故障诊断研究

文章提出了一种基于小波神经网络的模拟电路故障诊断方法。这种方法采用正弦信号作为被测电路的输入激励,在时域中对输出信号采样来构造神经网络的训练和测试样本,将自适应学习率及附加动量BP算法训练后的小波神经网络应用于容差模拟电路故障诊断中。仿真试验表明,该方法减少了故障诊断时间和提高了网络的平均诊断正确率。     

模拟电路故障诊断的小波包预处理神经网络改进算法

提出了基于小波包预处理的神经网络模拟电路故障诊断方法的两种改进方法:最优小波包变换(OWPT)预处理和不完全小波包变换(IWPT)预处理BP神经网络算法。首先对模拟电路的响应信号用这两种方法进行预处理,然后计算预处理后信号各个频段上的归一化能量,把归一化的能量作为训练样本送给BP网络进行训练,有效减少了BP网络的输入节点和隐层节点的个数,从而减小了神经网络的规模,降低了计算的复杂度,加快了网络的训练和收敛速度。仿真实验表明此方法能够快速有效的对模拟电路的故障进行诊断和定位。     

模拟电路故障诊断的小波神经网络方法

利用小波和改进型BP神经网络相结合的方法,进行模拟电路故障诊断;通过分析被测电路的冲激响应,来识别电路中的故障元件;用小波对冲激响应信号进行多尺度分解,进行归一化后,提取特征信息作为神经网络的输入而进行分类。该方法减少了神经网络的输入、简化了其结构、并缩短了训练和处理时间。实验仿真结果表明:该方法能准确实现故障定位且准确率高。     

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.     

一般性问题

TN062 2004060001小波神经网络在摸拟电路故障诊断中的应用研究/谢宏,何怡刚,周应堂,吴杰(湖南大学)}}湖南大学学报,一2004,31(4),一38一40对模拟电路提出了一种基于小波与神经网络辅助式结合的故障诊断方法.该方法用小波变换作为模拟电路故障信号的预处理器、大大减少神经网络的输入数目,简化神经网络结构和减少它的训练时间,提高辨识故障能力在介绍该故障诊断方法的基本原理后,给出了小波函数及故障特征选择的方法.图4参5(午)一般性问题~~     

基于核覆盖的模拟电路软故障诊断方法

针对神经网络故障诊断中网络结构难以确定的问题,文中构建了一种基于核覆盖的神经网络模型进行故障诊断。首先利用小波变换提取各频带小波系数作为故障特征值,然后利用提取出来的故障特征构造出基于核覆盖的神经网络模型进行训练,最后用训练好的神经网络模型完成模拟电路的故障诊断。该方法针对样本自身的特点构造神经网络,有效解决了传统神经网络中结构难以确定及运算速度缓慢的问题。通过仿真结果可知,该方法能有效地构建三层神经网络,并获得了较高的故障诊断正确率。     

一种基于神经网络的模拟电路故障诊断方法

提出了一种基于模拟电路故障诊断的神经网络方法。这种方法利用小波分解、数据标准化、主成分分析对输入数据进行预处理,采用k个神经元输出的前馈神经网络结构进行有效训练。该方法检测和识别故障准确率高,系统的鲁棒性和稳定性强。     

基于PSpice与LM算法的模拟电路故障诊断方法

采用小波神经网络与Levenberg-Marquardt算法相结合的方法,对模拟电路进行故障诊断;用小波对冲击响应信号进行多尺度分解,进行归一化后,提取故障特征信息作为神经网络的输入而进行分类。将PSpice与Matlab结合不但能有效的诊断模拟电路,且在收敛性和故障准确性上有了大幅提高。实验仿真表明,通过该方法构造的样本集训练出的网络稳定性高于传统方法,适用于神经网络。     

容差模拟电路的软故障诊断的小波方法

给出了容差模拟电路软故障诊断的小波与量子神经网络方法,利用小波分析,取其能反映故障信号特征的成分做为电路故障特征,再输入给量子神经网络,不仅解决了一个可测试点问题,并提高了辨识故障类别的能力,而且在网络训练之前,利用主元分析降低了网络输入维数。实验证明了这种方法的可行性与适用性。     

改进的BP神经网络在模拟电路故障诊断中的应用研究

介绍了应用小波变换法与BP神经网络相结合实现模拟电路故障诊断的方法。应用小波变换法作为故障信号的预处理器,提取故障特征量,减小了BP神经网络的规模。该方法提高了神经网络收敛的速度以及故障类别识别的准确度,具有一定的应用价值。     

基于小波分解和BP网络模拟电路故障诊断研究

为了高效、准确地对模拟电路故障进行诊断,采用了一种基于小波多层分解和BP神经网络相结合的模拟电路故障诊断方法。该法利用了多层小波分解优异的时频特性来提取故障特征参数,结合了BP网络强大的非线性分类能力和快速的收敛特性。将该方法应用到模拟带阻滤波器单一软故障诊断中,仿真结果表明该方法是有效的,而且具有比传统BP网络方法的学习收敛速度快得多,诊断正确率高的特点。