遗传小波神经网络的非线性模拟电路故障诊断方法

提出了一种将遗传算法(GA)、神经网络与小波变换相结合对非线性模拟电路进行故障诊断的方法;分析了传统BP型神经网络在非线性模拟电路故障诊断中存在的缺陷;提出了一种新的解决方法--利用小波变换对非线性电路故障信号进行预处理,对故障信号中的冗余信息进行剔除,然后利用遗传算法优化BP网络参数,如网络权值、阈值等.利用该方法对非线性电路进行故障诊断,有利于提高神经网络对电路故障诊断的智能性及识别故障类别的能力,提高故障诊断的精度与速度.实验结果表明,该方法是可行的.     

基于聚类模糊神经网络的非线性电路故障诊断

提出了一种基于聚类算法和模糊神经网络的非线性模拟电路故障诊断方法。通过一个无监督的聚类算法自组织地确定模糊规则的数目并生成一个初始的故障诊断模糊规则库，构造了一类模糊神经网络，通过训练调整网络权值，使故障诊断模糊规则库的分类更加精确，并通过仿真实验验证了该方法的有效性。     

基于神经网络的模拟电路故障诊断优化近似方法

本文提出了线性电阻电路故障诊断的一种神经网络优化方法。其基本思想是应用Ｈｏｐｆｉｅｌｄ网络原理来处理Ｌ１范数问题，以此来进行诊断。对实例的计算证明此法是可行的。     

非线性直流故障电路的规范型分段线性分析

本文应用规范型分段线性法进行了非线性直流故障电路的分析,求解了预先选为测试端口的端口电压值。该法需要的贮存量少,经有限步即可得到解答,计算效率高,并且适用于含有多端口非线性元件的电路,是一个故障诊断测试前模拟法,是分析测试前故障电路的好方法。     

基于神经网络的多维非线性模型参数估计

本文详细研究了多层ＢＰ神经网络的特性，并提出了基于预畸变处理的广义线性模型参数估计方法。借助于函数组合器，提出了基于神经网络的多维非线性模型参数估计算法，从而为多维非线性参数辨识和分析提供一种有效途径。模拟结果表明，本文所提出的多维非线性模型参数估计方法是成功的。     

基于神经网络的特征空间波束形成

基于特征空间的波束形成（ESB）算法具有较强的稳健性,但矩阵特征分解产生的运算量较大,所以本文提出将神经网络应用于ESB算法。由于传统的求解特征矢量的神经网络只针对实矩阵,新算法将复信号协方差矩阵进行酉变换转换为实对称矩阵,然后利用神经网络求解信号子空间,进行特征空间波束形成。仿真结果表明本文算法可以提高小快拍数时的波束形成性能,增大输出信干噪比。     

对一个新超混沌电路的研究

本文提出一种新的产生超混沌的电路。该电路非线性器件的选取不同于以往只局限于分段线性电阻的框框，而是采用分段线性负电容作为非线性元件。     

基于回归神经网络的时间序列非线性分析

本文提出了一种基于局部回归神经网络的时间序列非线性预测分析方法，给出了新的非线性模型训练方法，并针对几类常见的时间序列。给出了实验结果。     

基于神经网络和差分搜索的高光谱图像非线性解混

针对基于双线性混合模型(BMM)的高光谱图像梯度 解混算法的局限性,提出一种基于神经网络(NN)和差分搜索算法(DSA)的非线性 高光谱图像解混算法。在考虑p阶多项式模型的基础上,利用N N估计出实际高光谱图像的非线性阶数。构造解混 的目标函数,将非线性解混问题转化为最优化问题。引入DSA对目标函数进 行优化,将解混过程中的待求参数 映射为差分搜索过程中的位置参数,同时在搜索过程中引入丰度非负和全加性约束映射机制 满足解混要求。仿真数据和 实际高光谱数据实验结果表明,本文算法有效地克服了基于BMM的梯度解 混算法的不足,可有效实现高光谱 图像的非线性解混。当NN采用2000个样本训 练,解混真实高光谱数 据得到相应的重构误差(RE)达到1.15×10－2 ,具有良好解混效果。     

基于分段线性随机共振模型的信号检测电路研究

提出了一种新的分段线性随机共振模型,建立了模型的数学关系,通过强噪声背景下微弱周期信号检测的数值仿真,验证了模型的有效性.根据该模型设计了硬件电路,对不同噪声强度背景下微弱周期信号以及无噪声周期信号进行了随机共振实验研究和对比分析,结果表明,该电路可以实现对强噪声背景下的微弱周期信号检测,并能显著增强输出信噪比.     

基于Elman神经网络的故障诊断器研究

针对BP神经网络易存在局部最小,收敛速度较慢的缺点,研究设计了一种基于Elman神经网络的敝障诊断器,建立了E1man神经网络及基于该网络的故障诊断器结构模型;利用某实际电路测试数据,训练并检测该故障诊断器的效能,试验结果表明该故障诊断器有较高的准确性和可靠性,具有工程使用价值。     

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。     

一种基于神经网络的模拟电路故障诊断方法

模拟电路故障诊断一直是一项富有挑战性的研究课题。文章在简要介绍BP神经网络基本原理的基础上,以差分放大电路为例,设计并实现了基于BP算法的模拟电路故障诊断方法,建立了模拟电路故障诊断BP神经网络模型。实验表明,该模型的辨识精度高,能实现对模拟电路故障的正确诊断。     

非线性容差模拟电阻电路故障诊断神经网络方法

将线性电路故障定位 l1 范数最优化算法推广到非线性电路的故障定位 ,由于测后计算是基于神经网络计算机环境 ,所需时间较少 ,能满足现代工业实时性需要。实例和计算机模拟结果表明所提方法是可行的     

基于小波包和自组织网络的模拟电路故障诊断

提出了一种基于小波包变换和SOFM网络相结合的模拟电路故障诊断方法.利用小波包分解作为预处理和消噪工具,对电路采样信号进行多尺度分解和消噪,然后进行能量特征提取、归一化,作为样本输入给神经网络.用SOFM网络竞争层的神经元,对样本数据进行故障识别分类,克服了BP网络隐层神经元选取困难的缺点.详细叙述了诊断原理和步骤,并给出了诊断实例.     

电路故障诊断的神经网络方法

分析了神经网络的容错能力、分类能力以及高速神经计算能力在电路故障诊断中的优势。举例说明了应用神经网络方法进行数字电路及模拟电路故障诊断的基本方法和步骤,着重突出了实际应用中存在的故障特征选取、神经网络建立、多故障处理等难点,提出了具体解决方案,指出了进一步的发展方向和理论创新点。     

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。     

基于优化神经网络的三相全控整流电路故障诊断

研究了递阶遗传算法用于神经网络的参数确定问题,以期利用递阶遗传算法的二级编码结构解决以往同时优化神经网络结构、权值、阈值效率不高的难题。此外,建立了三相桥式全控整流电路的故障模型,并对几种常见故障进行了仿真分析。最后,将自适应递阶遗传算法用于三相桥式全控整流电路的故障诊断,仿真验证了该方法的准确性和实用性。     

基于小波分析和神经网络的模拟电路故障诊断方法

提出了一种基于神经网络和小波分析的模拟电路故障诊断的系统方法。该方法通过对电路的可测性测度计算，选择电路的最佳测试节点，然后利用小波分析作为特征提取手段提取电路的故障特征向量，经归一化和主元分析（PCA）处理后。得到最优特征向量，最后输入到神经网络实现电路故障诊断。计算机仿真结果表明该方法具有更好的故障分辨率。     

电路板故障诊断中神经网络信息融合技术的应用

将信息融合技术应用到导弹电子设备的电路板故障诊断之中．提出了一种基于红外热成像实验的温度故障隶属度函数构造形式以及改进的BP神经网络算法。进行了BP神经网络信息融合故障诊断的实验研究．从结果看信息融合能较好地解决电路板元件故障诊断的不确定性问题。