新闻中心

EEPW首页 > 手机与无线通信 > 设计应用 > 优化的BP神经网络在电子设备故障诊断中的应用

优化的BP神经网络在电子设备故障诊断中的应用

作者:时间:2010-03-23来源:网络收藏

近些年来,由于计算机技术、信号处理、人工智能、模式识别技术的发展,促进了技术的不断发展,大型复杂的出现,使得人们更迫切地希望能提高整体可靠性与维修性,这就给提出了更高的要求。因此,对技术的研究有着重要的理论及现实意义。

本文引用地址:http://www.eepw.com.cn/article/157557.htm

1 故障诊断模型

一个用于故障诊断时,主要包括三层:输入层,即从设备对象接收各种故障信息和现象;中间层,是把从输入层得到的故障信息,经内部的学习和处理,转化为针对性的解决办法;输出层,是针对输入的故障形式,经过调整权值后得到的故障处理方法。对于一个新的输入状态信息,训练好的网络将由输出层给出故障识别结果。故障诊断模型如图1所示。


2 神经网络的――共轭梯度法

虽然神经网络模型已成功于模式识别、函数逼近、时间序列预测等领域,但是由于BP学习算法仅改变网络的连接值和阈值,不改变网络的拓扑结构,因此BP网络在处理具体问题时还存在收敛速度慢,易陷入局部极小值等缺点。为了解决BP网络训练的缺点,人们提出了多种有益的改进方法。

本文研究了共轭梯度法对BP神经网络进行设计,基本思想如下:

传统的前向多层网络的BP学习算法实质上是无约束的最速下降法,改进的BP算法是对最速下降法作了一些约束;而共轭梯度法则是介于最速下降法和牛顿法之间的一种方法,它仅需要利用一阶导数信息,不仅克服了BP学习算法收敛慢的缺点,又避免了存储和计算牛顿法所需要的二阶导数信息。共轭梯度法的计算步骤和最速下降梯度法差别不大,主要差别在于搜索方向不同,即每一步的方向不是梯度的负方向,而是一种共轭的方向。由原来的负梯度方向加上一个修正项得到共轭方向,也就是使得最速下降法具有共轭性,从而提高算法的有效性和可靠性。共轭梯度法于神经网络中的目的是求误差函数E(W)的最小值。算法主要是利用共扼梯度方向来修正权值W,使W的确定更为快速,计算过程如下;

(1)初始化权值W1,令k=1;

(2)计算网络的负梯度矢量:


上一页 1 2 3 下一页

评论


相关推荐

技术专区

关闭