LM算法在模拟电路故障诊断中的研究

模拟电路的特征提取和分类识别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Levenberg-Marquardt(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。     

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。     

模拟电路软故障与 LM 算法的结合应用研究

在模拟电路故障诊断中,由于标准的BP神经网络算法在训练样本时存在着收敛速度慢、分布不均匀、效率不高等缺点,导致电路的整体诊断性能下降。提出了一种将Levenberg-Marquardt （LM）算法与神经网络相结合的方法,对电路的脉冲信号进行多尺度分解,提取故障特征作为神经网络的输入对网络进行训练。实验仿真表明, Pspice与Matlab相结合的样本训练方法的稳定性高于传统方法,证明了该方法的实用性与可行性。