優化的BP神經網絡在電子設備故障診斷中的應用

近些年來，由于計算機技術、信號處理、人工智能、模式識別技術的發展，促進了故障診斷技術的不斷發展，大型復雜電子設備的出現，使得人們更迫切地希望能提高整體可靠性與維修性，這就給故障診斷提出了更高的要求。因此，對故障診斷技術的研究有著重要的理論及現實意義。

1 BP神經網絡故障診斷模型

一個神經網絡用于故障診斷時，主要包括三層：輸入層，即從設備對象接收各種故障信息和現象；中間層，是把從輸入層得到的故障信息，經內部的學習和處理，轉化為針對性的解決辦法；輸出層，是針對輸入的故障形式，經過調整權值后得到的故障處理方法。對于一個新的輸入狀態信息，訓練好的網絡將由輸出層給出故障識別結果。BP神經網絡故障診斷模型如圖1所示。

2 BP神經網絡的優化――共軛梯度法

雖然神經網絡模型已成功應用于模式識別、函數逼近、時間序列預測等領域，但是由于BP學習算法僅改變網絡的連接值和閾值，不改變網絡的拓撲結構，因此BP網絡在處理具體問題時還存在收斂速度慢，易陷入局部極小值等缺點。為了解決BP網絡訓練的缺點，人們提出了多種有益的改進方法。

本文研究了共軛梯度法對BP神經網絡進行優化設計，基本思想如下：

傳統的前向多層網絡的BP學習算法實質上是無約束的最速下降法，改進的BP算法是對最速下降法作了一些約束；而共軛梯度法則是介于最速下降法和牛頓法之間的一種方法，它僅需要利用一階導數信息，不僅克服了BP學習算法收斂慢的缺點，又避免了存儲和計算牛頓法所需要的二階導數信息。共軛梯度法的計算步驟和最速下降梯度法差別不大，主要差別在于搜索方向不同，即每一步的方向不是梯度的負方向，而是一種共軛的方向。由原來的負梯度方向加上一個修正項得到共軛方向，也就是使得最速下降法具有共軛性，從而提高算法的有效性和可靠性。共軛梯度法應用于神經網絡中的目的是求誤差函數E(W)的最小值。算法主要是利用共扼梯度方向來修正權值W，使W的確定更為快速，計算過程如下；

(1)初始化權值W1，令k=1；

(2)計算網絡的負梯度矢量：