基于LSSVM-FNFN的模拟电路故障诊断

为解决传统故障诊断方法在模拟电路的故障诊断中存在故障定位率低、软故障诊断性弱等问题,提出了一种LSSVM-FNFN的智能诊断方法。参考基于残差评估的诊断思想,设计了基于最小二乘支持向量机(Least Squares Support Vector Machine,LSSVM)的系统残差生成器,并利用高阶统计量作为特征向量,完成了对故障特征的有效提取;借鉴神经网络在模式识别方面的优势,设计了基于泛函模糊神经网络(Functional Neural Fuzzy Network,FNFN)的故障分类器,实现了对不同响应下的输出残差曲线进行故障识别;同时利用改进的粒子群算法优化选取LSSVM参数以及FNFN网络的权值,最后以某型装备的惯性测量组合为例进行实例验证,仿真结果表明,该方法生成的残差包含了丰富的故障信息且高阶统计量特征对故障信息进行了有效的提取,取得了很好的识别效果。

FFNN优化GHS的电子元件固有参数预测

针对电子元器件固有参数信号检测评估过程中算法效率和预测精度低下的问题,利用高斯和声搜索方法(GHS)实现对泛函模糊神经网络(FFNN)结构的优化,从而进一步实现电子器件参数的高精度预测。首先,基于泛函网络链接的概念,对模糊神经网络的输出规则进行改进,组合实现了FFNN网络结构,提高了网络预测性能;其次,通过理论分析推导方式,设计了高斯和声搜索机制(GHS),并设计了FFNN网络的GHS编码方式,实现了电子器件参数的GHS-FFNN网络预测;最后,通过实验对比,显示基于GHS-FFNN网络的电子器件参数预测精度更高,算法性能更优。