摘要：BP網絡是模擬電路故障診斷中應用十分廣泛的一種神經網絡。針對傳統(tǒng)BP算法的誤差下降緩慢，調整時間長，甚至容易陷入局部極小點而不能自拔等局限性，提出用彈性算法與BP網絡相結合的方法，并結合某型雷達裝備的具體電路，運用該方法建模、仿真。實驗結果表明，采用彈性算法結合后的BP網絡誤差收斂穩(wěn)定，訓練速度快，在克服傳統(tǒng)BP算法的局限性上效果顯著，為新型雷達裝備的故障診斷和維修提供了一種方法，具有特定的實用意義。
關鍵詞：BP神經網絡；彈性算法；模擬電路；故障診斷

隨著現代電子技術的飛速發(fā)展，大規(guī)模、超大規(guī)模集成電路越來越普及，常規(guī)的故障診斷方法如故障字典法、參數識別法、故障驗證法等由于其局限性已不再適用。模擬電路的可靠性直接制約著整個電子設備或系統(tǒng)的可靠性，是一個系統(tǒng)能不能正常運行的關鍵。近年來，神經網絡發(fā)展迅速，在各領域廣泛應用。神經網絡具有非線性信息處理能力，其強大的學習能力和并行處理能力為故障診斷提供了全新的理論方法和實現手段。其中BP神經網絡由于具有良好的模式分類能力，尤其適用于故障診斷領域，因此對BP網絡的研究有著重要的理論及現實意義。

1 神經網絡故障診斷的系統(tǒng)設計
應用BP神經網絡進行模擬電路故障診斷的方法一般是：在一定的測試激勵下，將電路常見的各種故障狀態(tài)及正常狀態(tài)所對應的參數通過PSpice求出，進行數據預處理后作為BP網絡的輸入樣本，對網絡進行訓練，然后在相同的激勵下，檢測電路實際輸出，作為待診斷樣本集提供給BP網絡，網絡輸出即為對應的故障模式。系統(tǒng)設計框圖如圖1所示。

2 BP網絡的傳統(tǒng)算法
BP網絡，即誤差反傳網絡，是在1986年由Rumelhart和McCelland提出的，它是一種無反饋的前向網絡，包括輸入層、輸出層和隱層。理論證明：具有單隱層結構的前饋網絡可以映射任意連續(xù)函數，最常用的BP神經網絡的結構是3層結構，即輸入層、輸出層和一個隱層。
誤差反向傳播過程就是通過使一個目標函數。最小化來完成的，BP網絡的傳統(tǒng)算法則是根據梯度下降法來調整權重系數的。

tk為輸出層第忌個神經元的期望輸出；Qk為實際輸出；Oj為隱層第j個神經元的輸出；Qi為輸入層第i個神經元的輸出。通過多次迭代后誤差達到給定的標準，網絡收斂到一組穩(wěn)定的權值，即訓練完成。但是這種標準的BP算法有局限性，由于是根據梯度下降法調整權值，若權值的改變量過大，雖然能夠加快網絡的訓練過程，但結果可能會產生振蕩；另外一種可能就是權值的改變量過小，因為S型函數具有飽和性，當輸入較大時，Oj，Ok將處于0或1的飽和區(qū)，權值的改變將趨于0，但此時目標函數的值還很大，誤差對權值的變化很不明顯，誤差下降緩慢，調整時間長，甚至陷入局部極小點而不能自拔，影響收斂速度，使訓練難以收斂于給定誤差。
3 傳統(tǒng)BP算法的改進
基于上述傳統(tǒng)BP算法的局限性，提出將彈性算法與BP神經網絡相結合的方法，彈性算法只取偏導數的符號，而不考慮幅值，權值的更新方向是由偏導數的符號來決定的。若在兩次連續(xù)的迭代中，目標函數對某個權值的偏導數的符號保持不變，則增大相應的更新值，若變號，則減小相應的更新值，其過程可表示為：

當目標函數與某個權值偏導數的符號與上一次不同時，則表明最近一次權值的更新值太大，算法已跳出一個局部最小值。通過這種方法調整權值參數，可以使變化步長在需要的時候增加，甚至在誤差平面趨于平坦的時候也能增加。誤差梯度一旦發(fā)生變化，相應的調整步長會減小，有效地防止了振蕩?？朔薆P網絡誤差下降緩慢，調整時間長，甚至容易陷入局部極小點等局限性，通過彈性算法與BP網絡的結合來實現模擬電路的故障診斷。