期刊文献+
共找到4篇文章
< 1 >
每页显示 20 50 100
基于狼群算法的RBF神经网络模拟电路故障诊断 被引量:21
1
作者 颜学龙 丁鹏 马峻 《计算机工程与应用》 CSCD 北大核心 2017年第19期152-156,共5页
提出了一种新的方法来进行模拟电路故障诊断。该方法包括Haar的小波分解,对数据的归一化处理,以及用狼群算法优化RBF神经网络。用Haar小波对所得的电路原始故障数据集进行变换,然后对变换后的数据进行归一化处理,最终得出RBF神经网络训... 提出了一种新的方法来进行模拟电路故障诊断。该方法包括Haar的小波分解,对数据的归一化处理,以及用狼群算法优化RBF神经网络。用Haar小波对所得的电路原始故障数据集进行变换,然后对变换后的数据进行归一化处理,最终得出RBF神经网络训练所需的输入数据。针对RBF神经网络中隐层节点中心、基函数宽度及权值选取困难问题,使用狼群算法来优化训练RBF神经网络,以提高网络训练稳定性与诊断成功率。通过两个电路的诊断实例,来论述这些方法的具体实现过程,验证用该方法进行模拟电路故障诊断的可行性。 展开更多
关键词 模拟电路 故障诊断 RBF神经网络 小波分解 狼群算法
在线阅读 下载PDF
基于K-均值与WPA-RBF神经网络模拟电路故障诊断 被引量:8
2
作者 颜学龙 丁鹏 马峻 《计算机应用研究》 CSCD 北大核心 2018年第9期2704-2706,2710,共4页
针对模拟电路故障诊断进行了研究,提出了一种新方法。该方法包括Haar的小波分解、对数据的归一化处理,以及用K-均值优化RBF的中心向量和宽度、用狼群算法优化RBF的权值。首先用Haar小波对所得的电路原始故障数据集进行变换,然后对变换... 针对模拟电路故障诊断进行了研究,提出了一种新方法。该方法包括Haar的小波分解、对数据的归一化处理,以及用K-均值优化RBF的中心向量和宽度、用狼群算法优化RBF的权值。首先用Haar小波对所得的电路原始故障数据集进行变换,然后对变换后的数据进行归一化处理,最后得出RBF神经网络训练所需的输入数据。针对RBF神经网络中隐层节点中心、基函数宽度及权值选取困难问题,用K-均值优化RBF的中心向量和宽度,用狼群算法优化RBF的权值,以提高网络训练稳定性与诊断成功率。最终通过两个电路的诊断实例来论述该方法的具体实现过程,验证了用该方法进行模拟电路故障诊断的可行性。 展开更多
关键词 模拟电路 故障诊断 RBF神经网络 小波分解 狼群算法 K-均值
在线阅读 下载PDF
基于深度极限学习机的模拟电路故障诊断 被引量:15
3
作者 颜学龙 马润平 《计算机工程与科学》 CSCD 北大核心 2019年第11期1911-1918,共8页
针对模拟电路故障诊断中特征提取以及模型训练时间较长的难题,采用了一种基于深度极限学习机的模拟电路故障诊断算法。该算法将深度学习中自编码器的思想引入到极限学习机中,构建深度网络,将底层的故障特征转换更加抽象的高级特征,能自... 针对模拟电路故障诊断中特征提取以及模型训练时间较长的难题,采用了一种基于深度极限学习机的模拟电路故障诊断算法。该算法将深度学习中自编码器的思想引入到极限学习机中,构建深度网络,将底层的故障特征转换更加抽象的高级特征,能自主地学习数据特征,避免了繁琐的特征提取和选择。最终通过Sallen-Key和四运放双二次高通滤波2个模拟电路进行仿真研究,实验结果验证了算法在模拟电路故障诊断上的可行性,也表明模型学习速度快、泛化能力好,具有较强的诊断能力,故障诊断分类准确率可以达到100%,诊断时间在0.3 s左右。 展开更多
关键词 故障诊断 深度学习 自编码器 极限学习机
在线阅读 下载PDF
PSO优化多核RVM的模拟电路故障预测 被引量:7
4
作者 颜学龙 陈卓 《计算机工程与应用》 CSCD 北大核心 2019年第12期140-144,共5页
针对模拟电路健康管理的特点,提出了一种基于PSO优化多核RVM的模拟电路故障预测方法。利用参数分析得到电路的输出频域响应作为特征,计算其与电路无故障标准响应的欧氏距离来表征电路元件健康值,将多个核函数线性组合,并用PSO优化多核RV... 针对模拟电路健康管理的特点,提出了一种基于PSO优化多核RVM的模拟电路故障预测方法。利用参数分析得到电路的输出频域响应作为特征,计算其与电路无故障标准响应的欧氏距离来表征电路元件健康值,将多个核函数线性组合,并用PSO优化多核RVM参数后的模型实现对各个时间点元件的健康值变化轨迹进行预测。仿真结果表明,该方法在小样本情况下,预测效果优于单一核函数的RVM模型,适用于健康管理中实时预测,具有较好的实用性。 展开更多
关键词 相关向量机 核函数 欧氏距离 模拟电路 粒子群寻优
在线阅读 下载PDF
上一页 1 下一页 到第
使用帮助 返回顶部