基于神經網絡的電子線路故障診斷畢業設計論文-資料下載頁

　　

【正文】 個基因座上的原有基因值。其具體操作過程是：首先，依次指定個體編碼串中的每個基因座為變異點；其次是對每一個變異點，以變異概率從對應基因的取值范圍內取一隨機數來替代原有值。均勻變異操作特別適合應用于遺傳算法的初級運行階段，它使得搜索點可以在整個搜索空間內自由地移動，從而可以增加群體的多樣性，使算法處理更多的模式。均勻變異操作取某一范圍內均勻分布的隨機數來替換原有的基因值，可以使得個體在搜索空間內自由移動，但另一方面，他卻不便于對某一重點區域進行局部搜索。以改進這個性能，以擾動后的結果作為變異后的新基因值。對每個基因座都以相同的概率進行變異運算之后，相當于整個解相量在解空間中作了輕微的變動。這種變異操作方法就稱為非均勻變異（Non Uniform Mutation）。高斯變異（Gaussian Mutation）是改進遺傳算法對重點搜索區域的局部搜索性能的另一種變異操作方法。所謂高斯變異操作，是指進行變異操作時用符合均值為，方差為的正態分布的一個隨機數來替換原有的基因值。由正態分布的特性可知，高斯變異也是重點搜索原個體附近某個局部區域。高斯變異的具體操作過程與均勻變異類似。 遺傳算法的實現過程自然界生物的進化過程一般需要有以下四個基本條件:一是需要一個由多個個體構成的種群。二是種群具有多樣性。三是生物能夠進行自我繁殖。四是不同個體間適應環境能力不同,適應能力強的個體繁殖能力強,適應能力弱的繁殖能力弱。生物種群實現進化的主要方式是自然選擇、生物個體之間雜交和染色體變異。遺傳算法的基本運算步驟如下:1) 初始化。首先初始化遺傳算法的初始運行參數，主要有最大進化代數、種群大小、交叉概率、變異概率等；然后隨機產生個個體作為初始種群。2) 評價每個個體的適應度。計算出種群中每個個體的適應度值。3) 選擇操作。選擇一個適合待解決問題的選擇算子對種群進行選擇操作。4) 交叉操作。選擇一個適合待解決問題的交叉算子對種群進行交叉操作。5) 變異操作。選擇一個適合待解決問題的變異算子對種群進行變異操作。經過選擇、交叉、變異操作后便可得到一個適應度更高的新種群。6) 根據終止條件進行判斷。如果達到預設的最大代數則輸出最優個體，終止運算，否則返回步驟2）繼續繁殖進化。遺傳算法的實現流程圖如圖10所示。 遺傳算法優化BP神經網絡BP神經網絡是目前使用最廣泛的一種神經網絡，但其具有學習收斂速度慢、易陷入局部最小值等缺點，因此許多研究者們努力尋求解決BP神經網絡的這些缺點的方法。由于遺傳算法不受其搜索空間約束條件的限制、不需要導數等相關輔助信息,所以使用遺傳算法來優化BP網絡無疑是一種較好的方法。遺傳算法可以從三個方面對BP網絡進行優化:一是優化神經網絡的拓撲結構。二是優化網絡的權值和閾值；三是優化神經網絡的學習規則。下面對這三種優化方式逐一進行介紹。 優化BP網絡結構神經網絡結構的優劣直接影響到網絡的信息處理能力,一個好的網絡結構不允許存在冗余節點與冗余連接權。目前，還沒有系統的理論來指導神經網絡結構的設計，其結構的確定主要依靠設計者以往的經驗和試驗來確定。利用遺傳算法優化BP神經網絡結構可根據一些性能標準來評價，如網絡的泛化能力、學習速度等，從搜索結構空間中找出滿足問題要求的最優結構。其具體操作步驟如下:l)隨機生成種結構,對每種結構進行編碼,編碼后的每一碼串對應著一個網絡結構，個碼串即種群。2)用不同的初始連接權對網絡實施訓練。3)計算每種網絡結構下,輸出的誤差函數值,將誤差函數值的平方和的倒數作為個體適應度值。4)將適應度最大的個體直接復制給下一代。5)利用選擇、交叉、變異等遺傳操作,產生新一代的群體。6)如果某個個體達到要求，則終止，否則重復2）～5）的步驟。 優化BP網絡的權值BP網絡權值（權值和閾值）的訓練過程實際上是一種復雜函數的優化問題,也就是通過反復地調整來尋找網絡最優的連接權值。BP網絡權值的整體分布存儲了BP網絡系統的所有知識,傳統權值的獲取方式是利用某種確定的調整規則,在網絡訓練過程中逐步調整網絡權值,最終獲得一個較好的權值分布。但目前廣泛使用的BP網絡,是依靠梯度下降方法來完成網絡訓練的,該方式對網絡的初始權值非常敏感,初始權值的不同會導致最終結果存在很大差異,而且訓練過程中,一些參數(例如學習速率)的選取尚無理論指導,它們的值完全憑借經驗和試驗來確定,可這些參數的選取又關系到網絡能否收斂、網路收斂速度以及網路是否會陷入局部極值的關鍵問題。利用用遺傳算法優化神經網絡的聯接權值就可以有效地避免這些問題了,GA優化連接權步驟如下:l) 選定網絡的結構和訓練函數，選擇一種編碼方式對網絡的權值進行編碼,在規定的搜索范圍內隨機產生一個種群。2) 輸入訓練樣本對網絡進行訓練,網絡實際輸出值與期望輸出值的差為網絡誤差，將誤差平方和的倒數作為適應度函數。則誤差越小，適應度函數值就越大。3）進行遺傳操作（選擇、交叉、變異等）繁殖新一代種群。4）根據設定的優化準則，判斷是否達到終止條件。5）如果達到終止條件則輸出最優解，否則重復進行步驟2）、3）、4）。如圖11所示為遺傳算法優化BP網絡權值流程圖。 優化BP網絡的學習規則利用遺傳算法來優化神經網絡的學習規則,可以使神經網絡應用于具體的、復雜的問題。優化學習規則的首要難題是怎樣將學習規則編碼。目前人們對學習規則進行優化的研究才剛剛開始，還沒有成功的例子。具體優化步驟如下：1)采用某種編碼方法對學習規則編碼，隨機生成個個體組成一個種群。2)構造訓練樣本集，其中每以個元素代表著一個結構和連接權設定的或者預先確定的神經網絡，然后對訓練樣本集中的每一個元素分別用每個學習規則進行訓練。3)計算每一個學習規則的適應度函數值。4)根據適應度函數值大小對種群進行選擇。5)對每個編碼的個體進行交叉、變異等遺傳操作，產生新一代群體。6)如果某個個體達到要求，則終止，否則重復2）～5）的步驟。 基于GABP算法的模擬電路故障診斷實例由于利用遺傳算法優化BP神經網絡來的權值和閾值簡便易行，并且優化后的網絡性能優良，因此本文采用遺傳算法優化BP網絡的權值和閾值的方法，用優化后的神經網絡來完成模擬電路的故障診斷。 BP神經網絡設計BP神經網絡結構以及激勵函數、訓練函數、訓練樣本以及測試樣本與第三章中BP網絡一致，在此就不再贅述。 遺傳算法設置(1) 編碼方式選擇本文所創建的神經網絡的輸入層節點數為16，雙隱層節點數分別為125，輸出層節點數為5，因此網絡連接權的個數可以根據下式進行計算。 （59）其中，表示輸入層節點數，表示第一層隱層節點數，表示第二層隱層節點數，表示輸出層節點數。通過計算本文神經網絡的連接權個數為953個。由于本設計對輸出結果的精度要求較高，遺傳搜索的空間較大，訓練樣本數據的范圍也較大，若采用二進制編碼，則要求二進制碼串很長，GABP算法的解空間很大，容易導致計算過程十分漫長，因此本設計采用浮點數編碼方式。利用浮點數編碼方式對BP網絡的每個連接權值與閾值都用一個浮點數表示。(2) 種群初始化以及各代種群規模設定由于網絡的初始權值和閾值從較小的數值開始調整，可以有效預防網絡跳過一些較好的權值與閾值點，對網絡的性能有積極影響，經過多次比較試驗，當BP網絡的連接權值和閾值的初始值的范圍設置為（,）時，網絡性能最好，所以就數據范圍設定為（,）。對種群中每個個體都從設定的數據范圍內隨機產生，這也就是編碼過程。種群規模對遺傳算法的效率影響明顯，選擇過大，雖然可增加種群的多樣性，更容易找到最優解，但是會導致收斂時間過長，種群規模選擇過小，雖然可以加快收斂速度，但是對進化不利，易陷于局部最優。本文采用了一個兩全的策略，即在新一代的種群的平均適應度大于上一代的的平均適應度時，即新一代的種群已經得到優化，適當地減少群體的大小。在本文中由于種群規模在30，迭代次數為15時就可以很好的達到故障診斷的精度要求，為降低系統的啟動時間，初始種群大小就設定為30，迭代次數（也稱進化代數）設定為15。當新一代種群的平均適應度大于上一代種群的平均適應度時，按照以下公式進行降低種群規模。 （60）其中k為新的種群規模，其值通過上述商四舍五入的產生，m為初始種群大小，n為迭代次數，a為一個常數，決定最后一代的種群大小，本文設定為8。(3) 適應度函數本文的目標函數是神經網絡訓練后的實際輸出值與網絡期望輸出值的均方誤差E，適應度函數為 （61）(4) 遺傳操作參數的選取1）選擇運算本文采用的是選擇算子是輪盤賭法，該算子是遺傳算法中使用最普遍的選擇算子。輪盤賭法的基本思想是：計算群體中每一個個體的適應度函數值，則第個個體的累計概率為 （）其中，然后，隨機產生一個（0,1）范圍內的一個數，當時，則個體被選中進入下一代的種群。每一代的種群大小的選定也是在選擇運算中完成。2）交叉運算交叉運算的基本思想是首先在種群中隨機選擇兩個個體進行，根據交叉概率來確定選擇的兩個個體是否交叉。因為種群中個體的向量維數較大，知識使用均勻交叉對種群的進化影響很小，為避免這個問題的出現，讓交叉運算更有意義，本文還使用了兩點交叉。進行交叉運算時，一次只能選擇一種交叉算子進行交叉操作，執行均勻交叉與兩點交叉的比例為2:3。交叉概率決定了交叉運算的頻數，其值過大會使得種群中的部分優良個體被破壞，其值過小，則導致種群中更多的個體被復制給下一代，容易陷入遲鈍狀態。根據經驗，的值一般選為（,1）,。3）變異運算變異運算可以增加種群的多樣性。本文的變異算子選為非均勻變異算子。變異概率的選擇對網絡的性能有較大的影響，選擇過大時會破壞掉種群中的優良個體，選擇過小時，會降低種群的多樣性。值一般選擇在（，）。 GABP算法診斷結果分析（1）訓練結果分析利用遺傳算法優化BP網絡的權值和閾值之后，將最優網絡權值和閾值作為BP網絡的初始權值和閾值，訓練之后的BP網絡仿真誤差曲線如圖12所示，由圖可知遺傳算法優化后的網絡在迭代訓練1051次后達到目標精度的要求，將網絡的實際輸出與期望輸出保存在表6中,例如在故障狀態5的情況下，，,，與期望輸出0，0，1，0，1五位二進制數十分接近，即可判定為故障狀態5故障。由表中數據分析，網絡實際輸出值與期望輸出值非常接近，即誤差小，精度高，達到了設計的目的。本例中選取的是故障狀態為1117的樣本，將這六組樣本中的每一個數值加上的容差構成測試樣本。將測試樣本輸入已經優化后的BP網絡，測試輸出數據與期望輸出數據存放在表7中,表中的數據小數點后保留四位有效數字，現舉一例進行說明，當將第六組訓練樣本（即故障狀態5下的16個電壓值）的容差的情況下，，，與期望輸出0，0，1，0，1五位二進制數十分接近，可判定為故障狀態5故障。從測試結果可以發現，本設計的基于GABP算法的模擬電路故障診斷系統能夠準確的診斷出斷功率放大器電路的故障狀態。在通過多次的試驗統計后，網絡的故障診斷正確率接近100%，降低了陷入局部最小值的概率，驗證了遺傳算法優化BP神經網絡的優點。隨著現代化大生產的發展，電子線路故障診斷技術的研究越來越重要,在現代電子設備中，絕大部分的設備故障是由于模擬電路的故障導致的，模擬電路的可靠性幾乎決定了電子設備的可靠性。因此，模擬電路故障診斷是提高模擬電路的可靠性以及當模擬電路出現故障時進行快速排查的重要手段。傳統的模擬電路故障診斷方法普遍存在故障模型建立困難，抗干擾能力差的特點，隨著人工智能技術的發展，特別是人工神經網絡在不同領域內廣泛應用，基于神經網絡的模擬電路故障診斷技術逐漸成為一個研究熱點。利用神經網絡的自學習能力，可以快速地完成故障狀態的分類，大大地提高了模擬電路故障診斷的效率和準確率。針對模擬電路故障診斷的特點，本文主要研究了基于BP神經網絡的模擬電路故障診斷，采用一個功率放大器電路作為模擬電路故障診斷對象，利用Multisim軟件進行了電路的故障診斷樣本采集，并采用改進的BP算法進行了故障診斷的仿真。考慮到傳統的BP算法存在的易收斂于局部最小值的缺陷，本文進一步地研究了基于GABP神經網絡的模擬電路故障診斷，該算法中在確定的BP網絡進行拓撲結構下，先利用GA算法優化BP網絡中的權值和閾值，然后將優化后的BP網絡進行模擬電路的故障診斷，該算法利用GA算法的全局搜索能力，很好地優化了傳統BP網絡的缺陷。MATLAB仿真結果表明，基于神經網絡的模擬電路故障診斷在診斷效率的精度上都達到了很好的效果，具有廣闊的應用前景。將神經網絡應用在模擬電路故障診斷中是非常誘人的一個研究課題。由于個人的能力與時間限制，未能完成更深層次的研究。以下是本人在研究過程中期望進一步研究的問題：1）研究對于具體問題有具體方案來確定BP網絡的網絡層數與隱層節點數，而不是靠實驗者的經驗與試驗來確定，因為實驗者確定的網絡層數與網絡隱層節點數往往不是最精確，最適合的。2) 研究神經網絡在模擬電路多故障診斷中的方法。3）借助遺傳算法來優化神經網絡具有一定的隨機性，網絡初始值的不同導致網絡收斂速度會有很大差異，如果要將之應用于實際生產，則必須使網絡的收斂速度保持在一個適當的范圍內。解決這個問題就需要不斷研究改進遺傳算法來實現。因此，改進遺傳算法使其優化后的神經網絡收斂速度更快更合理是一個十分值得研究的課題。32