孙晓莉

摘要：本文重点阐述了BP神经网络的基本结构和训练算法，论证这种算法实现模拟电路故障诊断的可行性，并指出了这种方法在电路故障诊断应用中存在的优势与不足。BP神经网络的优点是强大的模式分类能力强，缺点是需要训练样本数量庞大，诊断效率低。

关键词：BP神经网络；故障诊断；网络训练

中图分类号：TP183 文献标识码：A 文章编号：1007-9416（2018）05-0101-02

在现有的人工神经网络理论中，BP神经网络使用最为广泛。BP网络（Back-Propagation Network）训练网络权值的算法是后向传播学习算法，它是一种多层前向神经网络。BP学习算法是人工智能专家Rumelhart于1986年创建的理论。现代模拟电路故障诊断技术中应用神经网络的基本上选择的都是BP神经网络。

1 BP神经网络

1.1 BP模型结构

BP网络是一种二值输出、全连接的反馈型网络。BP网络由输入层、中间层和输出层组成。BP网络的同一层的节点没有任何联系，但两层之间是全连接的。根据实际的需要，此模型能设计多个隐层。上一层神经元（节点）的输出值经过连接权值加权的结果就是和它相连接的下一层神经元的输入。网络中信息传播的顺序是输入层→隐含层→输出层。

1.2 BP算法

依据BP算法的设计理念，把BP神经网络的学习过程可分为四步：首先是“正向传播”过程，它是完成输入信号的传输，其传输顺序是：输入层→隐层→输出层。其次是是“反向传播”过程，它的功能是把输出的偏差反馈给输入，其方向正好与正向传播相反，它的传播顺序是输出层→隐层→输入层，再逐层修正连接权值。三是网络的训练。四是网络趋向收敛。以下简要介绍这四大部分。

1.2.1 正向传播

如果假设BP网络的输入层包含神经元的数目为n，隐层的神经元的个数为q，输出层的节点数为m。f（x）1表示隐层的激活函数，f（x）2表示输出层的激活函数，输入层和隐层间的权值为Wki，隐层与输出层间的权值为vjk，则隐层节点的输出Zk为（把阈值写入求和项中）：

输出层节点的输出为：

从以上两个式子中得出以下结论：BP网络的功能实际上是构建m维空间向量与n维空间向量的非线性函数关系。

1.2.2 反向传播

1.2.3 网络训练

网络训练就是反复学习，它的实质是网络的“记忆训练”。训练样本的过程就是“正向传播”和“反向传播”同时交替传播的过程。神经网络的相对误差就是预想输出与实际输出之间的差值，训练也是修正相对误差连权值的过程。单次的训练包括正向传播一次，再反向传播一次。训练一个网络要成千上万次的正向传播和反向传播才。随着训练的深入，网络的实际输出与预想输出的差距会逐渐缩小。对于任何一个学习样本，都要遵从样本的排列顺序才获取到正确的连权值。

1.2.4 网络收敛过程

网络收敛过程就是求网络输出函数的极值，也是计算全局误差的极小值的过程。BP算法的收敛速度慢，为了加快收敛速度，学者也做了很多的研究。这些方法包括：变步长法、引入动量因子法、改变误差函数法等。

2 BP神经网络应用于模拟电路故障诊断的优势和不足

在现有的各种类型神经网络中，人们研究最多的是BP网络，因此它的成果也比较多。BP神经网络的最大优点是强大的模式分类能力强。故障分类一直是故障诊断技术的难题，BP网络正好能解决这一难题，BP网络在故障诊断领域应用广泛。

使用BP神经网对模拟电路的故障进行分类，针对不同的故障类型，网络总能找到相应的数据作为BP神经网络的训练样本。由于BP神经网络分类器具有自学习功能，所以不仅能识别出已经训练过的样本，通过记忆联想还能识别以前没有出现过的样本。BP网络在模拟电路故障诊断应用中的主要缺陷是需要大量的训练样本。模拟电路故障诊断过程中运用BP神经网络的分类器时，要想获得一个训练样本必须进行一次电路测试，所以获取样本费时费力，代价很大。故障的种类越多，选取的样本数据的数量就会大量增加，訓练的次数自然也跟着增加，诊断效率降低。

3 结语

自模拟电路故障诊断技术研究以来，人们提出的行之有效的故障诊断方法还是比较少。本文针对传统的故障诊断系统不能进行自我学习、自我适应，知识获取困难等不足作出改进，提出了基于BP神经网络的模拟电路诊断方法，对于模拟电路软故障的诊断，具有良好的分类能力，提高了故障诊断的正确率。

参考文献

[1]李璐怡，李志华.一种基于小波预处理的模拟电路故障诊断方法[J].电子设计工程，2014，22（14）：146-148.

[2]黄如科，梁天生，余汉华.基于小波变换与BP神经网络的模拟电路故障诊断[J].电子科技，2014，27（08）：46-49.