基于BP神经网络的模拟电路故障诊断电路设计

本文提出了一种基于小波多层分解和BP神经网络相结合的模拟电路故障诊断方法。该方法利用了多层小波分解优异的时频特性来提取故障特征参数，进行能量特征提取、归一化，并结合BP网络强大的非线性分类能力和快速的收敛特性构造了一种既能用于诊断单故障，又能诊断多故障的模型。
本文以ITC'97标准电路中的CTSV滤波电路为诊断实例进行了仿真实验仿真，结果表明该方法比传统BP网络方法的学习收敛速度快得多。
基于 BP 神经网络的模拟电路故障诊断电路设计
本文提出了一种基于小波多层分解和 BP 神经网络相结合的模拟电路故障诊断
方法。该方法利用了多层小波分解优异的时频特性来提取故障特征参数，进行
能量特征提取、归一化，并结合 BP 网络强大的非线性分类能力和快速的收敛
特性构造了一种既能用于诊断单故障，又能诊断多故障的模型。

本文以 ITC'97标准电路中的 CTSV 滤波电路为诊断实例进行了仿真实验仿
真，结果表明该方法比传统 BP 网络方法的学习收敛速度快得多。

0 引言

客观世界信号的本质决定了模拟电路的普遍性和不可替代性。 模拟电路由于
故障模型复杂、元件参数的容 差、非线性、噪声以及大规模集成化等现象使电
路故障信息表现为多特征、高噪声、非线性的数据集，且受到特征信号观测手段、
征兆提取方法、状态识别技术、诊 断知识完备程度以及诊断经济性的制约，使
模拟电路的故障诊断技术滞后于数字电路故障诊断技术而面临巨大的挑战。 而神
经网络是对生物神经系统的功能抽象，以分布方式存储信息，有很强的容错能力
和自学习能力，能够对网络的输入产生联想输出，具有处理模糊信息的能力， 其
理论研究和实际应用进入了一个蓬勃发展的时期。

1 BP 神经网络

1.1 BP 网络模型

多层网络学习算法训练的神经网络即 BP 神经网络。BP 网络的信息从输入
层流向输出层，因此是一种多层前馈神经网络。由 BP 神经元构成的二层网络如
图1 所示。由于 BP 网络神经元采用的传递函数通常是可微函数，所以可以实
现输入和输出间的任意非线形映射，因此在诸如模式识别、状态预测等很多方面
应用十分广泛。




1.2 BP 学习规则
 BP 算法由两部分组成：信息的正向传递与误差的反向传播。在正向传播过
程中，输入信息从输入经过