基于神经网络的Volterra频域核辨识方法

针对目前Volterra频域核辨识方法复杂、精度不高等问题,提出一种基于神经网络的Volterra频域核辨识方法。首先选择多组频率基准确测量各阶Volterra频域核的幅值,利用BP神经网络可以任意逼近非线性函数的特点,针对不同阶Volterra频域核设计不同的神经网络模型,进行分阶辨识,最后通过一个非线性电路进行仿真验证。仿真结果表明,该方法可直接辨识频率范围内任意频率对应的Volterra频域核,过程简单、准确度高,易于工程实现。     

基于改进烟花算法的非线性模拟电路测试激励优化

为增强非线性模拟电路故障诊断中故障模式之间的可辨识性,提高故障诊断率,提出一种基于改进烟花算法的非线性模拟电路测试激励优化方法。该方法首先采用基于Volterra频域核和BP神经网络的方法对非线性模拟电路进行建模,进而针对烟花算法存在寻优速度慢、效率低等问题,对其爆炸算子、变异算子、选择策略等进行改进,采用改进后的烟花算法对非线性模拟电路的测试激励进行寻优,通过电路仿真表明,优化后的信号可有效提高故障可分性,从而提高故障诊断率。     

非线性模拟电路测试激励的智能优化设计

在基于频率响应的非线性模拟电路故障诊断中,为了克服现有方法的不足,更好地选择测试激励信号,利用Volterra级数进行建模,提出了频率基搜索和遗传算法相结合的测试激励智能优化设计方法。先通过全局搜索得到使各阶核输出频率不重合的频点集,再以各故障状态特征向量之间的欧氏距离之和为目标函数对频率基进行筛选,得到最优测试激励信号,并以一非线性电路验证了该方法的有效性。