前言：中文期刊網精心挑選了模糊神經網絡的優點范文供你參考和學習，希望我們的參考范文能激發你的文章創作靈感，歡迎閱讀。

模糊神經網絡的優點范文1

簡而言之模糊神經網絡就是具有模糊權值和輸入信號的神經網絡。模糊神經網絡是自動化控制領域內一門新興技術，其本質上是將常規的神經網絡輸入模糊信號，因而模糊神經網絡具備了模糊系統和神經網絡的優勢，集邏輯推理、語言計算等能力于一身，具有學習、聯想、模糊信息處理等功能。模糊神經網絡是智能控制和自動化不斷發展的產物，在充分利用神經網絡的并行處理能力的基礎上，大大提高了模糊系統的推理能力。模糊神經網絡是科技發展的產物，有效吸收了神經網絡系統和模糊系統的優點，在智能控制和自動化發展等方面有著重要的作用，能夠有效地處理非線性、模糊性等諸多問題，在處理智能信息方面能夠發揮巨大潛力。模糊神經網絡形式多種多樣，主要包括邏輯模糊神經網絡、算術模糊神經網絡、混合模糊神經網絡等多種類型，被廣泛的運用于模糊回歸、模糊控制器、模糊譜系分析、通用逼近器等方面的研究中，隨著智能控制和自動化領域的不斷發展，模糊神經網絡廣泛應用于智能控制領域。

2基于模糊神經網絡的生物質氣化爐的智能控制系統

2.1溫度智能控制系統

生物質熱值、給料理以及一次風量等因素變化能夠影響到生物質氣化爐的爐溫，但是最重要的影響因素是在氣化爐工作過程中物料物理和化學反應的放熱和吸熱。由于生物質氣化工作過程中的生物質熱值的變化范圍較小，在實際運行中很難測量與控制，有時可以忽略不計，同時，該工作過程中存在非線性和大滯后等問題，采用傳統的數學模型達不到預期測量效果，因此需要利用模糊神經網絡設計氣化爐爐溫控制系統，不斷的提高溫度的控制效果。模糊神經網絡首先根據當前溫度以及設定溫度設，主控制器對最優的生物質物料添加量進行預測，然后由副控制根據該添加量，全面跟蹤控制送料速度，從而能夠進行精確上料和控制爐溫。模糊神經網絡系統十分龐大復，其中包含了大量錯綜復雜的神經元，蘊含對非線性的可微分函數訓練權值的基本理念。模糊神經網絡具有正向傳遞和反向傳播兩個不同的功能，在信息的正向傳遞中，采用逐步運算的方式對輸入的數據信息進行處理，信息依次進入輸入層、隱含層最終到達輸出層。假如在輸出層獲得的輸出信息沒達到預期效果時，就會在計算輸出層的偏差變化值后通過網絡將偏差信號按原路反向傳回，與此同時各層神經元的權值也會隨之進行改變，直到符合預期的控制效果。

2.2含氧量智能控制系統

在生物質氣化工作過程中，可燃氣體的含氧量是衡量其生產質量的重要依據，能夠嚴重影響氣化產物的安全使用，因此，通過模糊神經網絡實現生物質氣化爐含氧量的智能控制十分重要。其含氧量智能控制系統的目的是為了合理控制可燃氣體的含氧量，從而穩定氣化爐的溫度。但是，一次風進風量是影響可燃氣體的含氧量的重要因素，所以可以把控制一次風量作為主要調節手段，有效地解決含氧量控制和爐溫控制之間的矛盾，在控制爐溫的前提條件下，最大程度地降低可燃氣體含氧量，進而有效控制氣化產物含氧量的。生物質氣化爐含氧量的智能控制系統是嚴格運用模糊神經網絡控制原理，主控制器采用溫度模糊免疫PID控制，根據爐內含氧量和溫度的偏差進行推算，查找出鼓風機轉速的最優狀態，副控制則以此為根據，全面跟隨與控制鼓風機的速度，確保鼓風機轉速。生物質氣化爐工作過程中的不同階段和部件具有不同的控制要求，模糊神經網絡就要充分發揮被控對象的優良性能，根據不同的控制要求，合理運用模糊神經網絡控制原理對PID參數模型中的數據信息進行在線修改，從而達到預期的控制效果。

3基于模糊神經網絡的生物質氣化爐智能控制系統的仿真實驗

為了驗證運用模糊神經網絡進行生物質氣化爐的智能控制的真實效果，對生物質氣化爐的溫度智能控制系統進行仿真實驗，并進行詳細地分析。為了保證生物質氣化爐能夠在條件大體一致的狀態下進行運行狀況，仿真實驗可以采用組合預測算法。首先要到某廠氣化爐現場采集2000組干燥層溫度數據，并且從中選取連續1500組作為仿真實驗樣本數據，然后對剩余500組實驗樣本數據進行研究，通過兩組數據的分析建立預測模型。然后采用模糊神經網絡對生物質氣化爐的溫度控制系統進行三次模擬化實驗，三種不同情況下的仿真試驗結果為：在無外界任何干擾的情況下，模糊神經網絡控制無論在超調量還是其他方面，都比單純的模糊控制效果好；在生物質給料量擾動的情況下，模糊神經網絡控制要比單純的模糊控制所受的影響要小很多；在發生一次風量攪動的情況下，模糊神經網絡控制仍受到極小的影響。從三種不同情況下的仿真試驗中可以看出基于模糊神經網絡的生物質氣化爐的爐溫智能控制系統效果較好，具有極強的抗干擾性，能夠有效地預測氣化爐溫度實時值，把平均誤差控制在很小范圍內，并且智能控制系統能實時跟蹤實際溫度的變化，根據實際溫度的變化做出相應的變化，從而能夠有效地控制氣化爐溫度和可燃氣體含氧量。

4結束語

模糊神經網絡的優點范文2

介紹了基于神經網絡的故障針診斷方法和結合模糊理論應用的故障診斷。分析了小波變換的現代模擬電路軟故障診斷的研究現狀。

關鍵詞:

模擬電路；軟故障診斷；神經網絡；模糊理論；小波變換

在最近幾年，現代模擬電路故障診斷方法的研究成為了新的熱點。其中有基于神經網絡。并結合專家系統、小波變換、模糊理論和遺傳算法。“小波神經網絡”和“模糊神經網絡”成為主流的模擬電路軟故障診斷方法。

1基于神經網絡的故障診斷方法

神經網絡有自組織性、自學性、并行性、聯想記憶和分類功能,這些信息處理特點使其能夠解決一些傳統模式難以解決的問題。其中模擬電路故障診斷中的非線性和容差問題就是運用神經網絡的非線性映射能力和泛化能力來解決的，同時這也是專家門的較為感興趣的研究熱點。基于神經網絡的模擬電路故障診斷方法有一些，其中包括測試節點的選擇、確定被測故障集、故障特征的提取等步驟,這種方法與基于測前仿真的故障字典法雷同。前者用制作神經網絡和樣本集來儲存特征信息，而且在測試完畢后定位故障是通過神經網絡來處理。所以可以把基于神經網絡的方法當作是基于測后仿真和測前仿真的延伸與綜合。在故障診斷領域，誤差反傳神經網絡（backpropagationneuralnetwork,BPNN）擁有較好的模式分類特性。然而僅僅以節點電壓視作故障特征訓練的BPNN只能適用于診斷模擬電路的硬故障。在軟故障方面，一般需要基于神經網絡和多種特征提取方法的綜合應用來診斷。

2基于模糊理論應用的模擬電路軟故障診斷

在一些故障診斷問題中，模糊規則適合描述故障診斷的機理。模糊理論中的模糊運算、模糊邏輯系統、模糊集合擁有對模糊信息的準確應付能力，這使得模糊理論成為故障診斷的一種有力工具。神經網絡與模糊理論相結合，充分發揮了模糊理論和神經網絡各自的優點，并以此來彌補各自的不足，這就是所謂的“模糊神經網絡”。這種方法的基本思想是在BPNN的輸出層和輸入層中間增加一到兩層模糊層構造模糊神經網絡，分別利用神經網絡和模糊邏輯處理低層感知數據與描述高層的邏輯框架，這樣一來跟神經網絡分類器相比，“模糊神經網絡”對模擬電路軟故障診斷效果的優勢就非常明顯。通過一個無監督的聚類算法自組織地確定模糊規則的數目并生成一個初始的故障診斷模糊規則庫，構造了一類模糊神經網絡，通過訓練調整網絡權值，使故障診斷模糊規則庫的分類更加精確，實現了電路元件的軟故障診斷。

3基于小波變換的模擬電路軟故障診斷

小波變換是一種新的變換分析方法，它繼承和發展了短時傅立葉變換局部化的思想，同時又克服了窗口大小不隨頻率變化等缺點，能夠提供一個隨頻率改變的"時間-頻率"窗口，是進行信號時頻分析和處理的理想工具。它的主要特點是通過變換能夠充分突出問題某些方面的特征，能對時間（空間）頻率的局部化分析，通過伸縮平移運算對信號（函數)逐步進行多尺度細化，最終達到高頻處時間細分，低頻處頻率細分，能自動適應時頻信號分析的要求，從而可聚焦到信號的任意細節，解決了Fourier變換的困難問題，成為繼Fourier變換以來在科學方法上的重大突破。若滿足時，則由經過伸縮和平移得到的函數成為小波函數族。小波變換具有時域局部特征,而神經網絡具有魯棒性、自學習、自適性和容錯性。如何把二者的優勢結合起來一直是人們所關注的問題。一種方法是用小波變換對信號進行預處理,即以小波空間作為模式識別的特征空間，通過小波分析來實現信號的特征提取，然后將提取的特征向量送入神經網絡處理；另一種即所謂的小波神經網絡或小波網絡。小波神經網絡是神經網絡與小波理論相結合的產物，最早是由法國著名的信息科學研究機構IRLSA的ZhangQinghu等人1992年提出來的。小波神經用絡是基于小波變換而構成的神經網絡模型,即用非線性小波基取代通常的神經元非線性激勵函數(如Sigmoid函數),把小波變換與神經網絡有機地結合起來,充分繼承了兩者的優點。近幾年來,國內外有關小波網絡的研究報告層出不窮。小波與前饋神經網絡是小波網絡的主要研究方向。小波還可以與其他類型的神經網絡結合,例如Kohonen網絡對信號做自適應小波分解。

由于神經網絡、小波變換、模糊理論在當今的發展上還不是很完善,例如在診斷中，模糊度該如何準確地定量化，對小波變換之后故障信號進行怎樣構造能體現故障類別的特征等,因此這些基于神經網絡的診斷方法或多或少地存在一些局限性。一般來說,神經網絡方法的長處并不是提高診斷精度，而且無論運用什么方法,在選取狀態特征參量和確定電路故障集方面,傳統的故障診斷方法仍然具有理論上的指導意義。所以,抽取合理的故障特征比構造合適的神經網絡更為重要。

參考文獻：

[1]梁戈超,何怡剛,朱彥卿.基于模糊神經網絡融合遺傳算法的模擬電路故障診斷法[J].電路與系統學報,2004,9(2):54-57.

[2]譚陽紅,何怡剛.模擬電路故障診斷的小波方法[J].電工技術學報,2005,20(8):89-93.

模糊神經網絡的優點范文3

只有清楚地了解電梯控制系統的運行原理才能夠及時準確的診斷出電梯故障原因，因此清楚的了解電梯運行原理,每一個電梯維修人員必須要做到。電梯運行過程總體上可分為以下幾個階段：第一、登記層外召喚信號和登記內選指令階段；第二、電梯門關閉或者電梯按照系統指令停運階段；第三、啟動階段；第四、在到達信號記錄的樓層前進行減速制動；第五、平層開門階段。在整個過程中電梯需要從外界接收信號并處理，然后完成相應的指令或者輸出信號，由此可以將電梯看作是一個完整的獨立的系統，只需要外界給予相應的信號就可以自動的做出動作。電梯系統內部復雜的構件緊密的結合在一起，正是如此才使得電梯系統故障具有了復雜性、層次性、相關性以及不確定性的特點。

二、神經網絡技術基本原理

生物學上的神經是由一個個簡單的神經元相互連接進而形成了復雜的龐大的神經系統，同理，神經網絡就是由大量簡單的處理單元相互連接形成的復雜的智能系統。單獨的處理單元類似于一個神經元，是一個可以接受不同信息但是只輸出一種信息的結構單位。神經網絡系統與生物學神經系統相似的是具有自我修改能力，它可以同時接收大量的數據并進行統一的分析處理，進而輸出相應的處理結果。這就使得神經網絡系統具有了高度容錯性、高度并行性、自我修改性、學習性以及高度復雜性，也正是由于這些特性才使的利用神經網絡技術能夠及時準確的查明電梯故障原因并得出故障解決方案。電梯故障診斷中應用的神經網絡模型分為三個層次：輸入層、接收外部信號或者是電梯自我檢測信息（如載重信息）；隱含層、對接收到了大量數據進行相應的分析處理；輸出層、將記錄著動作命令的數據傳送出來。在電梯出現故障時，首先可以通過神經網絡模型快速確定故障發生在哪一層達到節約時間的目的。但是神經網絡也會因為收斂速度過于慢、訓練強度太大或者是選擇的網絡模型不好等問題導致診斷結果受到影響。

三、神經網絡模型在電梯故障診斷中的應用分類

神經網絡模型已經成為了如今電梯故障診斷中應用最廣泛的技術模型，相比于傳統方式它具有診斷速度快、故障原因命中率高的優點，因此引起了各方面專業人士的強烈關注，并在他們的不懈努力下得到了發展與創新。它跨越多個專業領域、通過對各種復雜的高難度工作的不斷的發展與改進出現了越來越多的應用模型，下面主要介紹了當前應用最普遍的BP網絡模型，并且簡單的引入并介紹了近年來新興的模糊神經網絡模型和遺傳小波神經網絡模型。

（一）BP網絡模型

BP神經網絡作為神經網絡應用最廣泛的一種，它多應用的誤差反向傳播算法使其在模式識別、診斷故障、圖像識別以及管理系統方面具有相對先進性。基于BP網絡的電梯故障診斷技術就是通過學習故障信息、診斷經驗并不斷訓練，并將所學到的知識利用各層次之間節點上的權值從而表達出來。BP網絡系統的主要診斷步驟主要可以分為三步。第一步：對輸入輸出的數據進行歸一化處理，將數據映射到特定的區間。第二步：建立BP網絡模型，訓練BP網絡模型。第三：通過已經訓練好的網絡模型對原來的樣本進行全面的檢測。算法步驟：a、在一定的取值范圍內對數據進行初始化；b、確定輸入值數值大小，計算出預期輸出量；c、用實際輸出的值減去上一步得到的數值；d、將上一步得到的誤差分配到隱含層，從而計算出隱含層的誤差；e、修正輸出層的權值和閾值，修正隱含層的權值；f、修正隱含層的閾值，修正隱含層和輸入層的權值。

（二）遺傳小波神經網絡模型

遺傳算法運用了生物界的優勝劣汰、適者生存的思想對復雜問題進行優化，適用于復雜的故障，起到了優化簡化問題的作用。對局部數據進行詳細的分析是小波法最大的特點，所以它被譽為“數字顯微鏡”。遺傳算法小波神經網絡就是運用小波進行分解的方法分解模擬故障信號，將得到的數據進行歸一化，將歸一化后的數值輸入到神經網絡模型中。它融合了神經網絡、小波分析和遺傳算法三者所有的優點。基于遺傳小波神經網絡的電梯故障診斷的一般步驟為：測試節點信號采樣、小波分解、故障特征量提取、歸一化得到訓練樣本集、遺傳算法優化、得到故障類型。遺傳小波神經網絡模型在故障原因復雜、數據信息量巨大的電梯系統的應用中能夠發揮更大的作用。

（三）模糊神經網絡模型

模糊神經網絡模型就是創新性的將神經網絡與模糊理論結合到一起。它采用了廣義的方向推理和廣義的前向推理兩種推理方式。與其它兩種模型不同的是，它的語言邏輯、判斷依據和結論都是模糊的。但是它的數據處理能力還有自我學習能力并沒有因此而變差，反而更加豐富了它的定性知識的內容。在處理實際問題的過程中，首先要建立所有可能發生的故障的完整集合，其次將所有的故障發生原因歸入到同一個集合中去，最后就是建立故障和原因的關系矩陣。分別叫做模糊故障集、模糊原因集、模糊關系矩陣。相較于BP網絡模型，這種模型更加的簡單易行，充分發揮了神經網絡和模糊邏輯的優點，不會因為故障原因過于復雜而失去診斷的準確性，在原本豐富定性知識和強大數據處理能力的基礎上具有了很大的自我訓練能力。

四、結語

模糊神經網絡的優點范文4

1煤巖識別系統及特征參數分析

1.1煤巖識別系統采煤機截割煤巖的工況簡圖如圖1所示。采煤機截割的煤壁中,有時是均質的煤層,有時煤壁是煤層與巖層共存,設定煤層與巖層以一定比例存在。研究的煤巖識別系統識別的煤壁中巖層的煤層與巖層的比例分別為:全煤層、煤巖比2∶1、煤巖比1∶2以及全巖層四種情況。使用多傳感器信息融合技術及模糊神經網絡算法建立的煤巖識別系統主要分為兩大部分,第一部分是數據采集層,通過多傳感器信息融合技術對采煤機截割煤巖時的振動、阻力矩以及電機電流等進行監測,并采集數據提取特征值。第二部分是識別模型,即使用模糊神經網絡算法建立煤巖識別模型。通過多傳感器采集并處理后的特征分為兩大類,第一類用于使用模糊神經網絡算法建立煤巖識別模型進行網絡訓練,使得識別模型具有相應的泛化能力;第二類用于對所建立的煤巖識別模型進行性能測試,測試識別模型泛化能力,識別能力能夠達到識別要求[9]。

1.2特征參數分析本文建立的煤巖識別采用多傳感器信息融合技術,主要對采煤機截割煤巖時的振動、阻力矩以及電機電流等進行監測。由于采煤機在截割不同比例的煤巖時,z軸方向振動量變化基本相同,因此提高識別效率,本文的多傳感器融合系統只對采煤機滾筒截齒的x軸和y軸振動量進行采集處理。圖2是采煤機截割全煤層、煤巖比2∶1、煤巖比1∶2以及全巖層,這四種情況時煤巖的振動監測值。圖3是采煤機截割四種情況煤巖時的阻力矩情況。圖4是采煤機截割四種情況煤巖時的電機電流監測數據[10]。

2ANFIS原理及結構

模糊神經網絡(ANFIS)的結構如圖5所示,主要由前件網絡和后件網絡組成,其模糊系統采用Sugeno型。

2.1前件網絡前件網絡由4個層組成。前件網絡的第1個網絡層是整個模糊神經網絡的輸入層,有n個節點,模糊神經網絡輸入的各個分量xi與輸入層的各個節點相連,將輸入向量傳遞到第2個網絡層。

2.2后件網絡后件網絡由r個同樣具有三個網絡層的并列的子網絡組成。各個子網絡具有一個輸出值。后件網絡子網絡第1層是將輸入量傳遞至第2層的輸入層。第1層的第0個節點輸入值為1,其用于提供模糊規則后件中的常數項。后件網絡子網絡第2層用于計算各個規則的后件,該層節點數為m,一個節點表示一個規則。ANFIS算法主要使用混合算法對前提和結論參數不斷更新。通常將一個初始值賦予給前提參數,結論參數由最小二乘估計算法得到。最終從最后一層反向向第一層由梯度下降算法傳遞系統的誤差,以不斷更新前提參數。本文研究的識別系統所建立的模糊神經網絡模型使用減法聚類算法對進行歸一化處理后的流特征數據樣本空間進行非線性規劃,選用三角函數型的隸屬度函數,模型的參數學習率設定為0.01,誤差上限[15]為10-3。

3實驗分析

本文通過實驗方法對所建立的基于模糊神經網絡信息融合的采煤機煤巖識別系統的性能進行測試分析。實驗用的采煤機型號是雞西煤礦機械有限公司生產的MG300/701?WD型采煤機,其采高可達3.2m,截深為0.63m,截割速度為6m/min。對采煤機截割全煤層、煤巖比2∶1、煤巖比1∶2以及全巖層四種情況煤巖時的振動、阻力矩以及電機電流等數據進行監測。通過建立的煤巖識別系統進行識別,識別結果如圖6所示,同時與使用基于單一的振動、阻力矩以及電機電流傳感器的識別系統的識別結果進行對比。測試結果表明,使用基于單一的振動、阻力矩以及電機電流傳感器的識別系統能夠對煤巖具有一定的識別能力,但是由于其使用單一傳感器的局限性,使得識別結果準確度不夠高,而本文研究的基/:請記住我站域名/于模糊神經網絡信息融合技術的識別系統能夠對煤層和巖層的分界面進行有效識別,識別的準確度和穩定性相比其他方法更高。

模糊神經網絡的優點范文5

關鍵詞：紅外線軸溫監測系統；鐵路車輛；等級；熱軸判別；模糊神經網絡

中圖分類號：U270.7；TP183

文獻標志碼：A

0引言

提高紅外軸溫監測系統的熱軸預報兌現率，減少停車次數，一直是鐵路部門關注的焦點問題。而熱軸判別是紅外監測系統的核心，判別是否準確，直接關系到列車的運行效率和安全。現有的紅外熱軸判別模型是根據不同廠家生產的設備而確定的[1]，如HTK型、HBDS型、THDSA型等，但它們大都針對不同車型、軸承類型設定不同的熱軸等級閾值，判別參數繁多，不易修改，加之軸溫等級之間的模糊特性，單純地調整熱軸判別門限值，常使熱軸等級判別不準，熱軸預報兌現率低，熱軸誤報率高，導致車輛攔停頻繁而嚴重影響了正常的鐵路運輸秩序[2-3]。

為提高熱軸等級判別準確率，目前已有一些新的研究理論和方法[4-6]。文獻[4]采用模糊統計法來建立熱軸判別模型，通過隸屬度函數解決了熱軸等級的模糊性問題，但隸屬度函數的建立困難，等級的閾值設定具有主觀性。文獻[5]提出了基于遺傳BP網絡的熱軸波形判別模型，利用網絡的記憶功能識別熱軸的波形進行等級判別，但其同時存在網絡隱含層神經元的個數確定困難以及學習速度緩慢等缺陷。本文將模糊神經網絡應用于熱軸判別，為解決熱軸判別問題提供了一條新的途徑。

1熱軸判別模型分析

軸溫具有隨機性和模糊性，它與列車運行速度、車型、載重、線路運行狀況以及環境溫度都有一定關系。由于影響因素較多，且相互交叉，因此熱軸的準確判別具有一定難度。傳統的熱軸判別方法是憑經驗和點溫對比總結出來的，主要有7種，如同車同軸比、同軸差方法，同車、同側、同轉向架比方法，同車、同側最高軸與次高軸比等方法[5]31-32。這些方法盡可能地消除各種因素對軸溫溫升的影響，如利用同列、同車、同轉向架、同軸對比等方法來消除車型、載重、車速、散熱能力、車廂結構等各種不利因素對軸溫的影響，從而使熱軸的原始數據有高可信度。

目前，現有的熱軸判別模型大都綜合使用以上各種方法，來進行故障熱判別。如紅外線軸溫監測系統（Train Hotbox Detecting System， THDS）設備生產廠家的熱軸判別模型，主要針對國產軸承建立，一般當軸溫溫升達到40℃時，預報微熱；達到60℃時，預報強熱；達到75℃或軸承絕對溫度達到100℃時，預報激熱[6]。然而實際的熱軸判別效果還是不太理想，分析主要有三個大的問題：一是熱軸判別的參數太多，在全國各地不同地方，或同一地方不同季節時熱軸判別參數需要修改。二是各個熱軸等級的溫度帶重疊，按照傳統的熱軸閾值判別模型，不一定能夠正確劃分熱軸。三是近幾年出現了很多新車型和軸承類型，再加上老的車型和軸承類型，其正常運轉熱的范圍變很大，通過傳統的模型來判別熱軸，使得預報過多，熱軸預報兌現率下降。

3仿真結果

4結語

熱軸等級判別沒有固定的公式及模型，根據已有方法中的門限值對其進行判斷難免出現一定誤差。本文結合神經網絡與模糊數學的優點建立熱軸判別模型，給出了具體的模型參數指標，通過樣本數據和誤差反向傳播算法對FNN模型進行訓練和優化，使得熱軸判別一致率達到95%，最后通過與文獻[4]中的判別模型進行對比，進一步驗證了該模型的有效性和準確性。

因熱軸等級之間界限模糊，使用該模型使熱軸判別更加科學化，將模糊推理轉化為神經網絡結構進行訓練，使得系統各參數達到最優的值，而各個等級也無需設置門限值，大大減少了判別參數。但熱軸判別關系重大，既不能漏報也不能誤報，因此還需要用更多、更全面的現場數據對模型進一步完善，從而實現該模型應有的實用性和價值。

參考文獻：

[1]趙長波，陳雷. 鐵路貨車軸溫探測與應用概論[M].北京：中國鐵道出版社，2010：18-34.

[2]傅英暉. 鐵路車輛軸溫智能探測系統存在的問題分析及改進建議[J].中國科技信息，2010（14）：275-277.

[3]劉戰功. 紅外線軸溫探測系統熱軸誤報分析及建議[J]. 鐵道機車車輛，2006（4）：63-64.

[4]陶賢湘. 紅外軸溫探測系統探測可靠性和熱軸預報兌現率的研究[D].長沙： 中南大學，2010.

[5]楊秋蘭. 提高紅外線軸溫探測系統可靠性的研究[D].長沙：中南大學，2011.

[6]王家琦. HTK型熱軸判別模型分析與建立[J].哈爾濱鐵道科技，2012（2）：17-18.

[7]北京康拓紅外技術有限公司. 一種列車紅外軸溫探測系統的熱軸判別方法：中國，200710178606[P].20080521.

[8]周潤景，張麗娜. 基于Matlab與fuzzyTECH的模糊與神經網絡設計[M]. 北京：電子工業出版社，2010：198-200.

[9]周春光，梁艷春. 計算智能：人工神經網絡·模糊系統·進化計算[M].長春：吉林大學出版社， 2009：176-180.

[10]徐兵，程旭德，王宏利，等. 基于Matlab的Mamdani與Sugeno型模糊推理研究[J]. 計算機應用，2006，26（S2）：223-224.

[11]HORIKAWA S， FURUHASHI T， CHIKAWA Y U. On fuzzy modeling using fuzzy neural networks with the back propagation algorithm [J]. IEEE Transactions on Neural Networks， 1992，3（5）：801-806.

[12]張澤旭. 神經網絡控制與Matlab仿真[M]. 哈爾濱：哈爾濱工業大學出版社，2011：244-252.

模糊神經網絡的優點范文6

關鍵詞： 神經網絡；模擬電路；故障智能診斷

Applications of Neural network in analog circuit fault intelligent diagnosis

Huang Qian1 ，Lu Li2

Nanchang institute of technology JiangXi NanChang 330029

Abstract： The article mainly describe development course of neural network simulation circuit and the common method of fault diagnosis of simulation power based on neural network at this stage， the focus analysised BP neural network fault dictionary method and the SOM neural network fault dictionary method and respective of calculation method， and basic thought， and technology difficulties analysis， discussed application problem of neural network method in in analog circuit fault intelligent diagnosis， last talk about development trend of simulation circuit neural network diagnosis method.

Keyword： Neural network；Analog circuits；Intelligent fault diagnosis

引 言

隨著神經網絡等人工智能技術的發展， 模擬電路故障診斷的研究又開辟了一條新路， 基于神經網絡的模擬電路故障診斷方法已經成為新的研究熱點。20世紀80年代末期起有學者研究將人工神經網絡應用到模擬電路的故障診斷中，現階段已經提出多種基于神經網絡的模擬電路故障診斷方法，有些方法如BP（ Error Back Propagation Network）神經網絡故障字典法已經能有效應用于濾波電路、模擬放大電路等非線性容差電路的故障診斷， 效果優于傳統的故障字典法。

1神經網絡故障字典法

神經網絡故障字典法把模擬電路的故障診斷看成是一個分類問題， 利用神經網絡的分類功能來診斷故障。在測前把神經網絡訓練成一部故障字典， 字典的信息蘊含在網絡的連接權值中， 只要輸入電路的測量特征， 就可以從其輸出查出故障。

1.1 BP 神經網絡故障字典法

BP 是一種多層網絡誤差反傳學習算法。

1）初始化，隨機給定各連接權[w]，[v]及閥值θi，rt。

（2）由給定的輸入輸出模式對計算隱層、輸出層各單元輸出

式中：bj為隱層第j個神經元實際輸出；ct為輸出層第t個神經元的實際輸出；wij為輸入層至隱層的連接權；vjt為隱層至輸出層的連接權。

式中：dtk為輸出層的校正誤差；ejk為隱層的校正誤差。

（3）計算新的連接權及閥值，計算公式如下：

（4）選取下一個輸入模式對返回第2步反復訓練直到網絡設輸出誤差達到要求結束訓練。

應用BP 神經網絡故障字典法進行模擬電路故障診斷步驟如下：

（1）確定待測電路的故障集和狀態特征參量， 采用電路仿真或實驗的方法獲取電路每一故障狀態下的狀態特征數據， 經篩選和歸一化處理后構造訓練樣本集。設計BP 神經網絡并進行訓練。

（2）用訓練樣本集中的樣本訓練好網絡， 即完成學習的過程。一般采用3 層BP 神經網絡， 輸入層節點數與電路狀態特征參量的維數相同， 輸出層節點數可與電路待測故障類別數相同，也可小于待測故障類別數， 隱層節點數則需按經驗公式試湊。實際診斷時給被測電路加相同的測試激勵， 將測得的實際狀態特征參量輸入到訓練好的BP 神經網絡， 則其輸出即可指示相應的故障狀態。

1.2 SOM神經網絡故障字典法

SOM （Self - organizing Feature Map）神經網絡是芬蘭教授Kohonen于1981 年提出的一種自組織特征映射神經網絡。這種自組織特征映射神經網絡通過對輸入模式的反復學習，使連接權矢量空間分布密度與輸入模式的概率分布趨于一致， 即連接權矢量的空間分布密度能反映輸入模式的統計特性。

SOM二維網絡拓撲結構圖

SOM 網絡能對輸入模式自動分類，通過輸入模式的自組織學習， 在競爭層將分類結果表示出來。應用SOM 神經網絡建立模擬電路故障診斷字典的具體步驟如下：

（1）確定電路的故障集和激勵信號。通過仿真獲取電路在每一故障狀態下的狀態特征向量， 并進行預處理得到訓練樣本數據。

（2） 確定SOM 網絡結構。 SOM 網絡只有輸入層和輸出層兩層， 沒有隱層，輸入層的形式與BP 網絡相同， 其結點數應與電路狀態特征向量的維數相同。輸出層即競爭層的神經元一般采用二維平面陣結構排列， 也可采用一維線陣或三維柵格陣的結構排列。采用一維線陣時， 輸出層結點數可與電路的故障類別數相同。

（3）經過SOM 訓練形成具有容差的故障字典。SOM 網絡的學習算法可采用標準的Kohonen 算法。可以看出， SOM 網絡法與BP 網絡法構建故障字典的方法步驟完全相似，SOM 網絡法一般適用于交流電路， 以電路響應的頻域參量為狀態特征，它能更有效地克服容差因素對故障定位的影響，SOM 網絡法實際診斷時容易出現模糊故障集， 診斷過程要比BP網絡法復雜。

1.2神經網絡故障字典法難點

同經典的故障字典法相比， 神經網絡故障字典法突出的優點是測后診斷速度快，實時性強，其原因是該方法利用了神經網絡高度并行的信息處理能力。經典的故障字典法需要進行繁瑣的模糊集分割處理， 且一般只能診斷硬故障。而神經網絡故障字典法由于神經網絡的泛化能力，可以診斷容差模擬電路， 而且對軟故障情況也有很好的應用前景。應用該方法難點包括以下幾個方面：

（1）神經網絡的結構和參數等只能依據經驗反復調試， 難以確定所設計的神經網絡是最優的。

（2）數據預處理技術和訓練樣本集的篩選至關重要，神經網絡故障字典法的診斷效果主要依賴于此。如何根據實際電路對原始數據進行預處理以突出故障特征信息及如何優選訓練樣本。

2 神經網絡優化診斷法

傳統的優化診斷法依據被測電路的解析關系， 按照一定的判據（目標函數） ， 估計出最有可能出現故障的元件。優化診斷法是一種測后模擬的逼近法， 可在較少的測量數據下診斷故障，避免元件的容差問題， 可以診斷軟故障和多故障但傳統優化診斷法存在一個復雜的重復過程， 需要多個優化過程和多次電路模擬， 測后計算量很大。

神經網絡優化診斷法對傳統方法進行改進， 利用Hopfield 神經網絡的優化計算功能尋優， 克服了傳統的優化診斷方法測后計算量大、實時性差的缺點。由于該方法最終是通過求解元件參數或參數增量來判定故障元件的。

神經網絡優化診斷法的基本思想是將模擬電路的故障診斷方程轉換為帶約束條件的優化問題， 然后利用Hopfield 神經網絡進行優化問題的求解。將優化問題映射到一種神經網絡的特定組態上， 此組態相應于優化問題的可能解， 然后再構造一個適合于待優化問題的能量函數（對應于目標函數）， 當Hopfield 神經網絡從某一初始狀態沿著能量函數減小的方向運動， 其穩定平衡解即對應于優化問題的解。對于線性電阻電路， 可以以元件參數增量和可測節點電壓變化量建立故障診斷方程， 該診斷方程通常為一組欠定方程。

應用Hopfield 神經網絡求解此類帶約束條件的優化問題的步驟如下：

（1）分析問題： 分析網絡輸出與問題的解相對應。

（2）構造網絡能量函數： 將實際待解決優化問題的目標函數表達成能量函數的相應形式， 能量函數最小值對應問題最佳解。

（3）設計網絡結構： 將能量函數與目標函數相比較， 求出能量函數中的權值和偏流。

（4）運行網絡求出穩定平衡態： 由網絡結構建立網絡的電子線路， 運行該電子線路直至穩定， 所得穩態解即為優化問題所希望的解。

3 其它神經網絡故障診斷法

ART （Adaptive Resonance Theory）神經網絡故障診斷法。ART 神經網絡是一種基于自適應共振理論ART的學習算法， 包括ART1 型、ART2 型和ART3 型三種結構形式。文獻三中的作者探討了一種采用ART1 型神經網絡進行模擬電路故障診斷的方法，將電路的各種故障分出層次，并按一定特征給故障類型進行編碼形成故障數據樣本，將故障數據樣本輸入ART1型神經網絡進行訓練， 訓練完成后該ART 網絡即可用于診斷。ART最大的特點是既能識別已有的故障模式， 又能較好地診斷新發故障。基于神經網絡的網絡撕裂法。網絡撕裂法是一種大規模模擬電路分層診斷的方法， 將網絡撕裂法與神經網絡故障字典法相結合就形成基于神經網絡的網絡撕裂法。

ART的基本思路是， 當電路網絡分解到一定程度后， 電路子網絡繼續分解往往越來越困難， 這時可以引入神經網絡故障字典法， 分別為每一電路子網絡構建一個神經網絡， 則電路子網絡級的診斷采用神經網絡故障字典實現。

與傳統的網絡撕裂法相比， 該方法測后工作量小， 診斷過程更加簡單，診斷速度加快。基于神經網絡求解非線性方程的模擬電路故障診斷方法。

4 模擬電路神經網絡診斷法發展趨勢

近年來， 一個值得重視的現象是神經網絡與專家系統、模糊控制、遺傳算法和小波分析等技術相結合應用于模擬電路的故障診斷領域的研究。如神經網絡與模糊邏輯理論相結合， 即所謂的“模糊神經網絡”用于模擬電路的故障診斷， 其基本思想是在BP 神經網絡的輸入層與輸出層中間增加1到2 層模糊層構造模糊神經網絡，利用神經網絡處理低層感知數據， 利用模糊邏輯描述高層的邏輯框架，其對模擬電路軟故障的診斷效果優于單一的神經網絡分類器。又如小波分析與神經網絡結合應用于模擬電路的故障診斷。

小波與神經網絡的結合有以下兩個途徑：

（1） 輔助式結合， 比較典型的是利用小波分析對信號進行預處理， 然后用神經網絡學習與判別。

（2）嵌套式結合， 即把小波變換的運算融入到神經網絡中去， 其基本思想是用小波元代替了神經元，即激活函數為已定位的小波函數基， 通過仿射變換建立小波變換與神經網絡的聯接，小波神經網絡由于把神經網絡的自學習特性和小波的局部特性結合起來，具有自適應分辨性和良好的容錯性。

參考文獻

[1] 王顯強.談談神經網絡在模擬電路故障診斷中的應用問題[J]

電路技術.2012（06）

[2] 劉華.基于神經網絡的模擬電路故障診斷方法研究[J]微電子學報.2010（03）

[3]董偉.談ART1 型神經網絡進行模擬電路故障診斷方式分析. [J]電路科技. 2012（05）

[4]王承. 基于神經網絡的模擬電路故障診斷方案探究.[J]電路科技. 2013（06）

[5]張宇. 基于神經網絡的模擬電路故障診斷方案探究.[J]計算機測量與控制. 2012（07）

[6]王承. 基于神經網絡的模擬電路故障診斷方案探究.[J]電路故障. 2013（02）

[7]劉盛燦. 神經網絡的模擬電路故障的應用.[J]電路科技. 2013（06）

[8] 萬磊.神經網絡在模擬電路故障診斷中的應用若干問題探討[J]

電路技術.2011（08）

[9] 郭明強.神經網絡在模擬電路故障診斷中的發展歷程分析[J]電路技術.2013（08）