对于BP网络，在闭区间内的任意一个连续函数都可以用单隐层的BP网络逼近，即一个3层的BP网络可以完成任意m维到n维的映射。由于有5个测试点，所以BP网络的输入层为5个神经元，以归一化之后的数据作为BP网络的输入样本，输出层为4个神经元。隐层神经元数目的选择是一个十分复杂的问题，往往需要根据经验或者多次的实验来判定，因而不存在一个确切的表达式来确定。它的数目与问题的要求、输入／输出单元的数目都有着直接关系。隐层单元数目太多会导致学习时间过长、误差不一定最佳，也会导致容错性差、不能识别以前没有看到的样本，因此一定存在一个最佳的隐单元数。此处参照美国科学家Hebb提出的以下经验公式选取：。其中：n为输入单元数；m为输出单元数；a为[1，10]之间的常数。按照上式，，即h的取值为4～13。通过Matlab创建一个BP神经网络，设定训练次数为5 000，训练目标net．trainParam．goal=0．01，改变隐层单元的数目，当隐层单元数不同时，达到目标所用的训练次数，如表3所示。

    根据表3，当隐层单元数为11时，训练次数最少，这样神经网络的结构就确定了，输入层5个节点，隐层11个节点，输出层4个节点，训练最大次数设定为5 000，训练误差为0．01，先采用传统算法训练网络，再采用弹性算法与BP网络结合的改进算法，网络训练误差曲线如图3、图4所示。

     

    弹性算法不仅加快了收敛速度，防止了震荡，还避免了陷入局部极小值，从图3和图4可以看出，通过弹性算法与BP网络相结合以后，训练次数由原来的769次减少到11次，大大提高了神经网络的训练效率。用样本自身数据输入训练好的神经网络中，识别结果见表4。与故障模式对比分析可知，自身检测结果已经达到要求，即该网络已经训练好。下面检测网络的泛化能力，任取2组测试数据并进行归一化处理，结果如表5所示。

    将归一化的数据作为神经网络的输入，得到测试数据的识别结果，如表6所示。

    与故障模式对比可知，第一组对应的故障是R2短路，第二组对应的故障是R1开路。由此可以看出，训练好的网络不仅可以识别样本自身故障，而且还具有一定的泛化能力，经过弹性算法与BP网络的结合，取得了良好的效果，达到了预期的目标。

5 结语
    本文针对传统BP算法误差下降缓慢，调整时间长，甚至陷入局部极小点而不能自拔等局限性，运用弹性算法与BP网络相结合的方法，结合某型雷达设备中的射频放大电路进行建模、仿真，用Matlab设计并用改进后的算法训练BP神经网络，仿真结果证明该方法对克服传统BP算法的局限性有显著效果，缩短了网络的训练次数，提高了训练效率，且诊断结果良好，为新型雷达装备的故障诊断提供了一种有效的方法，在对装备故障诊断维修上具有一定的实用意义。

上一页  [1] [2] [3]