[发明专利]基于云模型优化PNN的模拟电路故障诊断方法

说明书

本发明公开了一种基于云模型优化PNN的模拟电路故障诊断方法，通过构建CM‑PNN模型进行故障诊断，包括如下步骤：提取电路故障特征，获得特征样本；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；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；确定模式层与求和层之间的连接权重；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；故障类别判别输出，输出结果判定为输出最大的故障类别。该方法优化了PNN的中心，带宽和连接权重，简化了PNN的训练过程，并可以确定隐含层神经元数目。

技术领域

本发明涉及模拟电路故障诊断领域，具体涉及一种基于云模型算法优化PNN(Probabilistic Neural Networks，概率神经网络，简称PNN)的模拟电路故障诊断方法。

背景技术

为保证电子设备的正常工作，必须能够及时准确的诊断故障以便进行调试或更换。电路作为电子设备的载体和基本单元，诊断电子设备故障的实质就是对电路进行诊断。电路可以分为数字电路和模拟电路，目前数字电路故障诊断的方法已经成熟并应用于实践，但是由于模型复杂，元件容差，非线性，可测节点有限等因素导致模拟电路故障诊断研究进展比较缓慢。同时有研究和调查表明，模拟电路发生故障率要远远高于数字电路故障率。因此，模拟电路故障诊断研究具有重要的研究意义和巨大的实际价值。

近年来逐渐兴起的人工智能算法引起了人们的普遍关注，并为该问题的研究提供了新的手段。神经网络作为常见的一类分类器，具有非线性映射，学习推理能力强大等特点，十分适合故障分类。其中，BP神经网络的应用最为广泛，但是收敛速度较慢且容易陷入局部极小状态。近年来，径向基函数神经网络因解决了上述问题而受到了极大关注，概率神经网络属于径向基函数神经网络的特殊形式，通过线性学习算法进行非线性分类，其训练过程简洁，结构形式简单，计算速度快。

发明内容

本发明为解决神经网络寻优过程复杂及隐含层神经元数目无法确定等问题，提供一种基于云模型优化PNN的模拟电路故障诊断方法，该方法可以优化PNN的全部参数，极大地简化神经网络训练过程，确定模式层神经元数量，并可以有效提高诊断性能。

为了让公众更好地理解本发明，首先介绍云理论的基本概念：

概念1.云和云滴：

设U是一个论域空间，C是U上的一个定性概念，若x∈U，并且x是C的一个随机数值，则x对于C的确定度μ(x)是具有某种稳定趋势的随机数，且μ(x)∈[0,1]。那么x对于C的分布称为云，记为C(x)，每个x是云C(x)的一个云滴。

概念2.正态云模型：

因为正态分布在实际中的普遍性和广泛性，所以正态云是最常见的云模型。一维正态云模型如图1所示，其数字特征为(Ex，En，He)，期望Ex表征云滴密度最大点，越靠近期望Ex，云滴分布越紧密，越远离期望Ex，云滴分布越分散。熵En表征正态云的分布范围，熵En的大小与云的分布范围成正比。超熵He表征正态云的厚度，超熵En的大小与云的厚度成正比。

概念3.云发生器：

云发生器是实现确定性与不确定性相互转换的特定算法。正向云发生器将确定的数字特征(Ex，En，He)转化为不确定的云滴(x，y)，其模型如图2。

正向云发生器算法包括如下步骤：

步骤1.生成以Ex为期望值，En为均方差的正态随机数x；

步骤2.生成以En为期望值，He为均方差的正态随机数En’；

步骤3.根据公式(1)计算隶属度y；

步骤4.(x,y)即为一个云滴；