遗传神经网络在模拟电路故障诊断中的应用
《遗传神经网络在模拟电路故障诊断中的应用》由会员分享,可在线阅读,更多相关《遗传神经网络在模拟电路故障诊断中的应用(36页珍藏版)》请在装配图网上搜索。
1、检测技术与自动化装置专业毕业论文 精品论文 遗传神经网络在模拟电路故障诊断中的应用关键词:遗传算法 神经网络 模拟电路 故障诊断系统摘要:本文在传统的诊断技术和理论方法的基础上,以二阶压控电压源带通滤波器电路为研究对象,将BP神经网络与遗传算法(GA)应用到模拟电路故障诊断中。 本文首先分析了神经网络应用于故障诊断的优点,介绍了神经网络智能诊断的形成、发展及研究现状;然后重点描述了BP神经网络的模型结构及学习机制,并对BP网络存在的问题,以及多种改进的BP算法进行了分析和研究。针对BP网络的不足,本文用遗传算法对BP网络进行优化,形成GA-BP网络,该方法采用遗传算法优化神经网络的权值和阈值,
2、代替了原来BP网络随机设定的初始权值和阈值,然后再用改进BP算法-LM算法进行训练。通过在MATLAB上的仿真结果比较分析,经过遗传算法优化过的神经网络的训练步数大大减少,克服了传统BP算法的缺点,使BP网络得到了极大的改善,提高了对带通滤波器电路的故障诊断的正确率。正文内容 本文在传统的诊断技术和理论方法的基础上,以二阶压控电压源带通滤波器电路为研究对象,将BP神经网络与遗传算法(GA)应用到模拟电路故障诊断中。 本文首先分析了神经网络应用于故障诊断的优点,介绍了神经网络智能诊断的形成、发展及研究现状;然后重点描述了BP神经网络的模型结构及学习机制,并对BP网络存在的问题,以及多种改进的BP
3、算法进行了分析和研究。针对BP网络的不足,本文用遗传算法对BP网络进行优化,形成GA-BP网络,该方法采用遗传算法优化神经网络的权值和阈值,代替了原来BP网络随机设定的初始权值和阈值,然后再用改进BP算法-LM算法进行训练。通过在MATLAB上的仿真结果比较分析,经过遗传算法优化过的神经网络的训练步数大大减少,克服了传统BP算法的缺点,使BP网络得到了极大的改善,提高了对带通滤波器电路的故障诊断的正确率。本文在传统的诊断技术和理论方法的基础上,以二阶压控电压源带通滤波器电路为研究对象,将BP神经网络与遗传算法(GA)应用到模拟电路故障诊断中。 本文首先分析了神经网络应用于故障诊断的优点,介绍了
4、神经网络智能诊断的形成、发展及研究现状;然后重点描述了BP神经网络的模型结构及学习机制,并对BP网络存在的问题,以及多种改进的BP算法进行了分析和研究。针对BP网络的不足,本文用遗传算法对BP网络进行优化,形成GA-BP网络,该方法采用遗传算法优化神经网络的权值和阈值,代替了原来BP网络随机设定的初始权值和阈值,然后再用改进BP算法-LM算法进行训练。通过在MATLAB上的仿真结果比较分析,经过遗传算法优化过的神经网络的训练步数大大减少,克服了传统BP算法的缺点,使BP网络得到了极大的改善,提高了对带通滤波器电路的故障诊断的正确率。本文在传统的诊断技术和理论方法的基础上,以二阶压控电压源带通滤
5、波器电路为研究对象,将BP神经网络与遗传算法(GA)应用到模拟电路故障诊断中。 本文首先分析了神经网络应用于故障诊断的优点,介绍了神经网络智能诊断的形成、发展及研究现状;然后重点描述了BP神经网络的模型结构及学习机制,并对BP网络存在的问题,以及多种改进的BP算法进行了分析和研究。针对BP网络的不足,本文用遗传算法对BP网络进行优化,形成GA-BP网络,该方法采用遗传算法优化神经网络的权值和阈值,代替了原来BP网络随机设定的初始权值和阈值,然后再用改进BP算法-LM算法进行训练。通过在MATLAB上的仿真结果比较分析,经过遗传算法优化过的神经网络的训练步数大大减少,克服了传统BP算法的缺点,使
6、BP网络得到了极大的改善,提高了对带通滤波器电路的故障诊断的正确率。本文在传统的诊断技术和理论方法的基础上,以二阶压控电压源带通滤波器电路为研究对象,将BP神经网络与遗传算法(GA)应用到模拟电路故障诊断中。 本文首先分析了神经网络应用于故障诊断的优点,介绍了神经网络智能诊断的形成、发展及研究现状;然后重点描述了BP神经网络的模型结构及学习机制,并对BP网络存在的问题,以及多种改进的BP算法进行了分析和研究。针对BP网络的不足,本文用遗传算法对BP网络进行优化,形成GA-BP网络,该方法采用遗传算法优化神经网络的权值和阈值,代替了原来BP网络随机设定的初始权值和阈值,然后再用改进BP算法-LM
7、算法进行训练。通过在MATLAB上的仿真结果比较分析,经过遗传算法优化过的神经网络的训练步数大大减少,克服了传统BP算法的缺点,使BP网络得到了极大的改善,提高了对带通滤波器电路的故障诊断的正确率。本文在传统的诊断技术和理论方法的基础上,以二阶压控电压源带通滤波器电路为研究对象,将BP神经网络与遗传算法(GA)应用到模拟电路故障诊断中。 本文首先分析了神经网络应用于故障诊断的优点,介绍了神经网络智能诊断的形成、发展及研究现状;然后重点描述了BP神经网络的模型结构及学习机制,并对BP网络存在的问题,以及多种改进的BP算法进行了分析和研究。针对BP网络的不足,本文用遗传算法对BP网络进行优化,形成
8、GA-BP网络,该方法采用遗传算法优化神经网络的权值和阈值,代替了原来BP网络随机设定的初始权值和阈值,然后再用改进BP算法-LM算法进行训练。通过在MATLAB上的仿真结果比较分析,经过遗传算法优化过的神经网络的训练步数大大减少,克服了传统BP算法的缺点,使BP网络得到了极大的改善,提高了对带通滤波器电路的故障诊断的正确率。本文在传统的诊断技术和理论方法的基础上,以二阶压控电压源带通滤波器电路为研究对象,将BP神经网络与遗传算法(GA)应用到模拟电路故障诊断中。 本文首先分析了神经网络应用于故障诊断的优点,介绍了神经网络智能诊断的形成、发展及研究现状;然后重点描述了BP神经网络的模型结构及学
9、习机制,并对BP网络存在的问题,以及多种改进的BP算法进行了分析和研究。针对BP网络的不足,本文用遗传算法对BP网络进行优化,形成GA-BP网络,该方法采用遗传算法优化神经网络的权值和阈值,代替了原来BP网络随机设定的初始权值和阈值,然后再用改进BP算法-LM算法进行训练。通过在MATLAB上的仿真结果比较分析,经过遗传算法优化过的神经网络的训练步数大大减少,克服了传统BP算法的缺点,使BP网络得到了极大的改善,提高了对带通滤波器电路的故障诊断的正确率。本文在传统的诊断技术和理论方法的基础上,以二阶压控电压源带通滤波器电路为研究对象,将BP神经网络与遗传算法(GA)应用到模拟电路故障诊断中。
10、本文首先分析了神经网络应用于故障诊断的优点,介绍了神经网络智能诊断的形成、发展及研究现状;然后重点描述了BP神经网络的模型结构及学习机制,并对BP网络存在的问题,以及多种改进的BP算法进行了分析和研究。针对BP网络的不足,本文用遗传算法对BP网络进行优化,形成GA-BP网络,该方法采用遗传算法优化神经网络的权值和阈值,代替了原来BP网络随机设定的初始权值和阈值,然后再用改进BP算法-LM算法进行训练。通过在MATLAB上的仿真结果比较分析,经过遗传算法优化过的神经网络的训练步数大大减少,克服了传统BP算法的缺点,使BP网络得到了极大的改善,提高了对带通滤波器电路的故障诊断的正确率。本文在传统的
11、诊断技术和理论方法的基础上,以二阶压控电压源带通滤波器电路为研究对象,将BP神经网络与遗传算法(GA)应用到模拟电路故障诊断中。 本文首先分析了神经网络应用于故障诊断的优点,介绍了神经网络智能诊断的形成、发展及研究现状;然后重点描述了BP神经网络的模型结构及学习机制,并对BP网络存在的问题,以及多种改进的BP算法进行了分析和研究。针对BP网络的不足,本文用遗传算法对BP网络进行优化,形成GA-BP网络,该方法采用遗传算法优化神经网络的权值和阈值,代替了原来BP网络随机设定的初始权值和阈值,然后再用改进BP算法-LM算法进行训练。通过在MATLAB上的仿真结果比较分析,经过遗传算法优化过的神经网
12、络的训练步数大大减少,克服了传统BP算法的缺点,使BP网络得到了极大的改善,提高了对带通滤波器电路的故障诊断的正确率。本文在传统的诊断技术和理论方法的基础上,以二阶压控电压源带通滤波器电路为研究对象,将BP神经网络与遗传算法(GA)应用到模拟电路故障诊断中。 本文首先分析了神经网络应用于故障诊断的优点,介绍了神经网络智能诊断的形成、发展及研究现状;然后重点描述了BP神经网络的模型结构及学习机制,并对BP网络存在的问题,以及多种改进的BP算法进行了分析和研究。针对BP网络的不足,本文用遗传算法对BP网络进行优化,形成GA-BP网络,该方法采用遗传算法优化神经网络的权值和阈值,代替了原来BP网络随
13、机设定的初始权值和阈值,然后再用改进BP算法-LM算法进行训练。通过在MATLAB上的仿真结果比较分析,经过遗传算法优化过的神经网络的训练步数大大减少,克服了传统BP算法的缺点,使BP网络得到了极大的改善,提高了对带通滤波器电路的故障诊断的正确率。本文在传统的诊断技术和理论方法的基础上,以二阶压控电压源带通滤波器电路为研究对象,将BP神经网络与遗传算法(GA)应用到模拟电路故障诊断中。 本文首先分析了神经网络应用于故障诊断的优点,介绍了神经网络智能诊断的形成、发展及研究现状;然后重点描述了BP神经网络的模型结构及学习机制,并对BP网络存在的问题,以及多种改进的BP算法进行了分析和研究。针对BP
14、网络的不足,本文用遗传算法对BP网络进行优化,形成GA-BP网络,该方法采用遗传算法优化神经网络的权值和阈值,代替了原来BP网络随机设定的初始权值和阈值,然后再用改进BP算法-LM算法进行训练。通过在MATLAB上的仿真结果比较分析,经过遗传算法优化过的神经网络的训练步数大大减少,克服了传统BP算法的缺点,使BP网络得到了极大的改善,提高了对带通滤波器电路的故障诊断的正确率。特别提醒:正文内容由PDF文件转码生成,如您电脑未有相应转换码,则无法显示正文内容,请您下载相应软件,下载地址为 。如还不能显示,可以联系我q q 1627550258 ,提供原格式文档。 垐垯櫃换烫梯葺铑?endstre
15、amendobj2x滌?U閩AZ箾FTP鈦X飼?狛P?燚?琯嫼b?袍*甒?颙嫯?4)=r宵?i?j彺帖B3锝檡骹笪yLrQ#?0鯖l壛枒l壛枒l壛枒l壛枒l壛枒l壛枒l壛枒l壛枒l壛枒l壛枒l壛枒l壛渓?擗#?#綫G刿#K芿$?7.耟?Wa癳$Fb癳$Fb癳$Fb癳$Fb癳$Fb癳$Fb癳$Fb癳$Fb癳$Fb癳$Fb癳$Fb癳$Fb癳$Fb癳$Fb癳$Fb皗E|?pDb癳$Fb癳$Fb癳$Fb癳$Fb癳$Fb癳$Fb癳$Fb癳$Fb癳$Fb癳$Fb癳$Fb癳$Fb癳$Fb癳$Fb癳$F?責鯻0橔C,f薍秾腵薍秾腵薍秾腵薍秾腵薍秾腵薍秾腵薍秾腵薍秾腵薍秾腵薍秾腵薍秾腵薍秾腵薍秾腵薍秾腵薍秾腵秾腵薍秾腵%?秾腵薍秾腵薍秾腵薍秾腵薍秾腵薍秾腵薍秾腵薍秾腵薍秾腵薍秾腵薍秾腵薍秾腵薍G?螪t俐猻覎?烰:X=勢)趯飥?媂s劂/x?矓w豒庘q?唙?鄰爖媧A|Q趗擓蒚?緱鳝嗷P?笄nf(鱂匧叺9就菹$
- 温馨提示:
1: 本站所有资源如无特殊说明,都需要本地电脑安装OFFICE2007和PDF阅读器。图纸软件为CAD,CAXA,PROE,UG,SolidWorks等.压缩文件请下载最新的WinRAR软件解压。
2: 本站的文档不包含任何第三方提供的附件图纸等,如果需要附件,请联系上传者。文件的所有权益归上传用户所有。
3.本站RAR压缩包中若带图纸,网页内容里面会有图纸预览,若没有图纸预览就没有图纸。
4. 未经权益所有人同意不得将文件中的内容挪作商业或盈利用途。
5. 装配图网仅提供信息存储空间,仅对用户上传内容的表现方式做保护处理,对用户上传分享的文档内容本身不做任何修改或编辑,并不能对任何下载内容负责。
6. 下载文件中如有侵权或不适当内容,请与我们联系,我们立即纠正。
7. 本站不保证下载资源的准确性、安全性和完整性, 同时也不承担用户因使用这些下载资源对自己和他人造成任何形式的伤害或损失。