?

　　隨著現代電子技術的飛速發展，大規模、超大規模集成電路越來越普及，常規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的可靠性，是一個系統能不能正常運行的關鍵。近年來，神經網絡發展迅速，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及正常狀態所對應的參數通過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。系統設計框圖如圖1所示。

?

　　2 BP網絡的傳統算法

　　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，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。