信息融合电路应用论文

重的动态修改是学习中最基本的过程。网络最重要的信息是存储于调整过的权重中的。网络模型结构确定后，学习和训练对于所有的神经网络来说都是最基本的。网络不是通过修改处理单元本身来完成训练过程，而是靠改变网络连接的权重来学习的。因此若处理单元要学会正确反映所给数据的模式，唯一用以改变处理单元性能的元素就是连接权重。训练神经网络的目的是使得能用一组输入矢量产生一组所希望的输出矢量。训练是应用一系列输入矢量，通过预先确定的算法调整网络权值来[30]。 3.1.2 神经网络的学习算法

由于网络的连接模式、输入信息的离散或连续、有无监督训练、神经元的动态特性等不同，相应的学习算法也不同。因此，网络分类一般是根据网络静态输入信息的类型和学习算法中有无监督训练来进行的。有监督学习算法要求同时给出输入和正确的输出。网络根据当前输出与所要求的目标输出之差来调整网络。无监督学习算法只需给出一组输入，网络能够逐渐演变对输入的某种模式做出特定的反映，即训练样本中只有输入矢量，神经网络靠比较各输入矢量之间的关系来调整权值，从而将训练样本中输入矢量之间的关系映射到网络的权值上，以实现联想记忆或数据压缩功能。人脑是一个典型的无监督训练。由于这类网络没有输出矢量，所以不能用于模拟函数。神经网络有两种运行方式：一种是前馈式，它利用连接强度即神经元的非线性输入输出关系，实现从输入状态空间到输出状态空间的非线性映射。另一种运行方式是演化式，在这种网络中输入相当于初态，网络演化的终态是输出。此种网络类似于一个耗散的非线性动力学系统。状态空间在演化中不断收缩，最终收缩到一个小的吸引子集，每个吸引子集都有一定的吸引域，能量函数

23

是此类网络的一个基本量[30]。从神经网络的基本模式看，主要有以下几种类型：前馈型、反馈型、自组织型及随机型网络。这4种网络各有不同的网络模型。在前馈网络中主要有Adaline，BP和RBF网络；反馈网络主要有Hopfield网络；自组织网络主要有ART网络；随机网络主要有Boltzman机。近来由于模糊及分形与ANN的结合，形成了模糊神经网络和分形神经网络。

3.2 BP网络及其算法改进

目前，在种类繁多的神经网络中，以BP网络研究最多，应用最广。BP神经网络由于具有良好的模式分类能力，尤其适用于故障诊断领域，因而在故障诊断系统中具有广泛的应用前景，也是目前故障诊断领域中用得较多也较为有效的一种神经网络[31][32]。BP网络的权重系数的调整具有自适应性，经训练后可完成分类、联想等智能性工作。因此，本文重点介绍BP网络，并把它用于模拟电路的故障诊断中。 3.2.1 BP网络结构及其算法推导

BP神经网络由一个输入层，一个输出层和一个或多个隐含层构成。信息从输入层开始在各层之间单向传播，依次经过各隐含层，最后到达输出层。它的输入数据为n个，输出数据为m个，所以该网络可视为从n维输入空间到m维输出空间的非线性映射。BP网络的学习采用误差反向传播算法，即BP算法。

3.2.2 改进的BP算法

虽然己从理论上证明了采用误差反向传播算法，即 BP 算法[33]的多层前馈神经网络可以以任意精度逼近任意的非线性映射，但由于特有的结构使其本身有着固有的缺点：只有通过多次试验才能确定网络结构是否合适；存在

24

局部最小点，使其难以收敛于全局最小点；对于非线性网络采用基于梯度的学习算法时，收敛速度可能会特别慢；由于非线性网络存在局部极小点，权值初始化可能会影响到收敛的结果，实际应用中，通常会给予网络初始权值以随机的较小值。针对BP算法的不足，在实际应用当中，人们对其加以改进

[30][33]

后进行应用，可以在不同程度改善BP算法的不足。本文在比较传统BP

算法[34][35]的基础上，采用一种改进型的BP算法[36]，能加快收敛速度、抑制局部极小以及减少了学习过程的振荡现象。

当新误差超过旧误差的一定倍数时，学习速率将减少，否则其学习速率保持不变；当新误差小于旧误差时，学习速率将被增加。此方法可以保证网络总是以最大的可接受的学习速率进行训练。当一个较大的学习速率仍能够使网络稳定学习，使其误差继续下降，则增加学习速率，使其以最大的学习速率进行学习。一旦学习速率调得过大，而不能保证误差继续减少，则减少学习速率直到使其学习过程稳定为止。

3.3 神经网络信息融合诊断方法

3.3.1 诊断原理

神经网络是仿效生物体信息处理系统获得柔性信息处理能力。它是从微观上模拟人脑功能，是一种分布式的微观数值模型，神经元网络通过大量经验样本的学习，将专家知识和诊断实例以权值和阈值的形式分布在网络的内部，并且利用神经网络的信息保持性来完成不确定性推理。更重要的是，神经网络有极强的自学习能力，它能通过自学习功能来获得非线性映射能力，并把这种能力分布地存储在网络的联接权值和阈值中，对于新的故障模式和故障样本可以通过权值的改变进行学习、记忆和存储，进而在以后的运行中

25

能够判断这些新的故障模式。因传感器1传感器j神经网络融合故障决策

图3.3 神经网络融合诊断过程

此神经网络是一种符合故障诊断要求的信息融合手段，它为故障诊断系统的建造提供了一种新的框架[39-44]。

神经网络信息融合，是将神经网络(如BP网)引入信息融合之中，同时结合模糊集合论进行故障判断[45]。其具体过程为：通过多传感器测试被诊断对象，求出每一传感器对故障集中各类故障的隶属度值，将所有传感器的故障隶属度值矢量作为神经网络的输入，网络输出即为融合后该症状属于各类故障的隶属度值矢量，最后利用基于规则的判定原则进行故障决策。融合诊断过程如图4.3 所示。其中A1 ， A2 ，? ， An 为待诊断的故障模式。 μ j ( A1)， μ j ( A2)，? ， μ j ( An)为传感器 j测得的各故障模式 A1 ， A2 ， ， An 所得的隶属度值， μ ( A1)， μ ( A2)， ， μ ( An)为融合的隶属度值。 3.3.2 诊断步骤

1.选取故障特征参数

模拟电路信号种类很多。如：电压、电流、阻抗、导纳等等。除此类电量信号外，还有一些非电量信号，如元件温度。这些信号都可以用作提取故障特征的参数。具体的选择可结合待诊断电路的特点，综合考虑测试的复杂度及测量设备的成本来选择。

26