BP神经网络的电路最优测试集的生成设计

相差可 能会比较大，神经网络输入特征的各分量量限也不同。

　　其中xi 是输入特征的第i 个分量，vi 是同类关联信息的平均值，这样使输入特征的各分 量量限基本相同，而且仍然可以表征原输入特征。

　　（3）输出特征值设定

　　输出特征维数取决于输出的表示方法和要识别或分类的数目，当电路有M 个待监测节 点时，电路状态有M 类，本文把无节点输出做为输出节点坐标为0，输出特征维数选择为M， 输出特征分量与输出节点一一对应。

　　（4）训练样本集的选择

　　同故障字典的样本集选择不同，最优测试集的训练样本一开始时不存在的，是在制定的 约束条件下，不断反复运算的动态过程，是一个自我学习更新的过程。因此本网络将样本集 训练融合到网络的学习过程中。

　　4 仿真结果

　　本文所选择的目标电路模型为实际某设备的使用组件。电路板属于较为典型的模拟电路 板，电路板的原理图如图1。

　　对电路板进行仿真试验，得到结果如表1，其指标衡量如表2。

　　运用神经网络方法得到的种群中的个体元素仍比较分散，说明神经网络在自主学习训练 下要将当前的最优解解出的能力相对较弱一些，表1 中给出的结果是应用神经网络多次运算 得到的出现频率较高的解。

　　在设定生成较少的测设点数量时，应用神经网络能够解出点集，但各项指标与使用进化 规划算法的解相比相对较差，整体效果类似于陷入"早熟"。在设定生成较多的测试点数量时，应用神经网络来对目标点集的查找解算较为困难，对目标求解的明晰性不强，目标集（样本集）内的元素不趋同，求解精度不高。

　　应用传统的 BP 神经网络解决TSP 或集覆盖等问题时，可行解获得的效率低，网络较难 收敛到可行解。随着问题的复杂化，传统的BP 神经网络方法搜索到严格最优解或近似最优 解的困难加大，容易陷入局部最优。求解速度较慢，网络特性相对不够稳定。

　　5 结论

　　本文应用神经网络对模拟电路最优测试集生成上进行了初步实现。仿真结果说明当电路结构变得复杂以后，神经网络的训练和识别所需要的时间都比较长，运算时间大大增加，甚至在限定的最大时间内出现求不出参考解的情况。目前，应用进化规划算法进行最优测试集的生成对复杂电路结构求解问题上显示出其优越性，在设定的时间内求解精度高，在设定的 精度下运算时间短。

　　本文作者创新点：在复杂电路结构的求解问题上，应用进化规划算法进行最优测试集的 生成，在设定的时间内求解精度高，在设定的精度下运算时间短。