[发明专利]基于云模型优化PNN的模拟电路故障诊断方法

权利要求书

1.一种基于云模型优化PNN的模拟电路故障诊断方法，其特征在于：通过构建CM-PNN模型进行故障诊断，包括如下步骤：

步骤A.提取电路故障特征，获得特征样本；

步骤B.将特征样本分训练样本和测试样本，注意训练样本数目必须足够多，且远远大于测试样本数目，否则建立的正态云模型将无法正确反映样本分布；

步骤C.利用训练样本进行峰值云变换以建立多维正态云模型，将其作为模式神经元；

步骤D.确定模式层与求和层之间的连接权重；

步骤E.将测试样本输入到优化后的概率神经网络中进行加权求和；

步骤F.故障类别判别输出，输出结果判定为输出最大的故障类别；

所述步骤C中建立多维正态云模型，包括如下步骤：

步骤1.训练样本x进行峰值云变换，首先统计样本数据在各个区间内的频数，获得样本数据分布曲线F(x)，然后根据下述步骤分离出n个正态云模型C(x)，即：

式(2)中，C_i(x)表示第i朵正态云模型，peak_i表示第i朵正态云模型的峰值，n表示分离出的正态云模型数目：

(1)在训练样本x中，寻找其最大值a和最小值b，并确定区间数目t，根据公式(3)确定区间范围u，统计样本数据在各个区间内的频数以获得频率分布直方图，连接每个区间顶部的中心，绘制出样本数据分布曲线F(x)；

(2)寻找样本数据分布曲线F(x)的波峰，波峰的纵坐标记为peak，波峰的横坐标作为期望Ex，阈值为t时，统计在区间[Ex-t,Ex+t]内的频数，根据公式(4)，计算熵En和超熵He并获得期望曲线f(x)，

式(4)中，S表示训练样本x的方差，En′表示以熵En为期望值，以超熵He为标准差的正态随机数；

(3)根据得到的(Ex，En，He)，利用正态云发生器算法生成若干个正态云模型C(x)；

(4)从样本数据分布曲线F(x)中减去期望曲线f(x)，得到新的样本数据分布曲线F(x)’，重复步骤(2)和步骤(3)，直至波峰的纵坐标peak小于设定的频率阈值；

步骤2.建立多维正态云作为PNN的模式神经元：在每种故障模式下，对每维属性任意选取一朵正态云模型进行组合，构造多维云模型作为模式层基函数，故障类别i的第j个正态云模型的中心为(Ex_i1,Ex_i2...Ex_ih)，带宽为(En_i1,En_i2...En_ih)，输出M_ij为：

式(5)中，h表示正态云模型的维数，Ex_ik表示在故障类别i下，第j个正态云模型的第k维中心，En_ik′表示在故障类别i下，第j个正态云模型的第k维带宽。

2.根据权利要求1所述的基于云模型优化PNN的模拟电路故障诊断方法，其特征在于，所述步骤D确定模式层与求和层之间的连接权重，包括如下步骤：

故障类别i的第j个模式神经元到相应求和神经元的权重k_ij为：

式(6)中，peak_ij表示故障类别i的第j个模式神经元的峰值，b表示故障类别i的模式神经元总数目。

3.根据权利要求1所述的基于云模型优化PNN的模拟电路故障诊断方法，其特征在于，所述步骤E即模式层的输出向量进行加权求和，包括如下步骤：

模式层的输出向量进行加权求和得到求和层，一个求和神经元代表一种故障模式，第i个求和神经元的输出O_i为：

4.根据权利要求1所述的基于云模型优化PNN的模拟电路故障诊断方法，其特征在于，所述步骤F即故障类别判定，包括如下步骤：

根据公式(8)，输出结果Y判定为输出最大的求和神经元所对应的故障类别，

Y＝arg max(O_i) (8)。