基于交叉算法的神经网络模拟电路特性分析
基于神经网络的hsic改进算法分析与仿真
基于神经网络的hsic改进算法分析与仿真神经网络是一种重要的人工智能技术，它可以用于预测数据分析和机器学习，可以有效地实现复杂的任务。
神经网络技术在机器学习和数据分析应用中得到了广泛应用。
HSIC是一种改进算法，用于评估准确度度量和内禀性度量之间的交叉相关性。
它可以利用神经网络识别输入变量之间的复杂关系，从而改善模型准确度和内禀性。
为了有效地应用HSIC算法，我们需要重点研究它的原理，参数，优势和限制。
实验中，选取了一组实际数据用于测试，利用神经网络对数据进行拟合，实现HSIC算法的训练，从而使用HSIC算法来预测数据分析结果。
经过实验分析，我们发现HSIC算法在准确度度量和内禀性度量之间拥有很好的交叉性能，其准确度效果好于传统机器学习算法。
最后，本文为基于神经网络的HSIC算法分析与仿真提供一定的理论基础和实验性研究，同时提供了相应的方法，为未来的研究工作提供参考。
总之，基于神经网络的HSIC改进算法是一项重要的研究，旨在提高机器学习和数据分析的准确度和内禀性。
它在许多应用中发挥了重要作用，从而改善了机器学习算法的准确率和内禀特性。
未来对该算法的深入研究将会有助于更好地理解并应用它，从而在业务实践中发挥更大的作用。
- 1 -。
基于频率特性的模拟电路故障分析
Hale Waihona Puke 【 摘要 】在分析神经网络模型的特点的基础 上，提 出基于频率特征进行神经网络模型的模拟 电路诊断方法 ，通过模拟 电路能量故障特征的提取、完成构造样本集、对输入
按 照 电路 中 发生 故 障时 损坏 的元器 件 的 数 目来划分 ，可 以将故障类 型分为单故 障和 多 产业和社会 生产 的发展 ，电子系统 的规模越来 故 障。单故障 是指 电路 中只有 一个元器件 发生 越 大 ，结 构越来越复杂 ，性能要求越 来越高 ， 故 障 的情 况 ，多 故 障是 指 电路 中有 两 个或 者 体积尺寸 要求越来越 小，模拟 电路 电子元件 的 两 个 以上 元器 件 同 时发 生故 障 的情 况 据 有 密集度和布 线密度要求 越来越高 ，当电路发生 关数据 显示 ，模拟 电路中７ Ｏ ％ 一８ Ｏ ％ 的故 障为单 故障时 ，由于各种元器 件精度存在 误差，导致 故 障形式 。发生单 故障的 电路 ，是整个 故障 电路故 障现象复杂多变 ，常规 的检测 仪器例如 诊 断的首要任 务，对于多 故障 电路 ，由于是两 万用表 、示波器等 已经 无法满足模拟 电路故障 个 以上的 元 件故 障 同时 发生 ，这种 故 障 的组
Ｉ 丝． 皇王研霾…………………………一
基 于频率特性 的模拟 电路故 障分析
杭 州建德市工业技术 学校
输出数据进行灵敏度处理，不断完善神经网络设计 ，优化算法，结果表 明基 于频率特 性的模 拟电路 故障测试达到预期效果 。 【 关键词 】神经网络；模拟电路；频率特性；故障分 析
许
俊
近年来 ，电子技术 、自动化技 术得到 了突 飞迅猛 的发展，模拟器件 广泛应用于 各种集成 电路为核 心的 电子系统 ，随着科技进 步、 电子
基于交叉验证的神经网络实现
第10卷 第5期大连民族学院学报Vol .10,No .5 2008年9月Journal of D alian N ationalities UniversitySeptembe r 2008文章编号:1009-315X (2008)05-0422-03基于交叉验证的神经网络实现丁 剑,韩 萌(北方民族大学计算机科学与技术系,宁夏银川750021)摘 要:针对神经网络B P 算法存在收敛速度慢、学习数据有限和网络学习过程易陷入局部最小值等问题,提出对标准B P 算法相关参数进行调整并选择合适的隐藏层个数的方法,然后采用交叉验证方法对B P 算法做了再改进。
仿真结果表明基于交叉验证的BP 算法优于传统的BP 算法。
关键词:神经网络;B P 算法;交叉验证;隐藏层;误差函数中图分类号:TP183文献标志码:ANeura l Network Rea liza tion Ba sed on C r oss -Va lida t ionD I NG J i an ,HAN M en g(Depart ment of Compute r Science &Techn o l ogy,Northe rn Unive rsity for Na tiona lities,Yinchuan N i ngxia 750021,China )Ab stra ct:Due to the sl ow conve r gence speed of B P neur a l ne t w ork,li m itati on of data pr ocess 2ing and easilly dr opp ing int o l ocal m ini m u m ,the cr oss -va lidati on m ethod is put f or ward to modify the corresponding para m ete rs and se lec t the appr opriate hidden layer,then i mpr ove the back -pr opagati on algorithm by means of cr oss -va lidati on.The si m ulati on results sho w tha t the back -p r opaga tion a lgorithm based on cr oss -validation is superi or t o the traditi ona l back -p r opaga tion algorithm.Key word s:neural net work;B P algorithm;cr oss -va lidati on;hidden layer;err or func tion 人工神经网络是由具有适应性的简单单元组成的广泛并行互连的网络,能够模拟生物神经系统对真实世界物体所做出的交互反应。
基于遗传算法优化前馈神经网络模型的配电网短期负荷预测
基于遗传算法优化前馈神经网络模型的配电网短期负荷预测摘要：随着能源需求的不断增长，配电网短期负荷预测变得越来越重要。
传统的负荷预测模型在准确性和鲁棒性方面存在一定的局限性。
本文提出了一种基于遗传算法优化的前馈神经网络模型，该模型能够更准确地预测配电网短期负荷。
实验结果表明，该模型相比传统模型具有更高的准确性和稳定性，可为配电网的运行和管理提供更可靠的参考。
1. 研究背景随着社会经济的迅速发展和技术的不断进步，能源的需求量也在不断增加。
配电网作为能源供应的重要组成部分，其负荷预测对于保障电网的安全运行和合理调度至关重要。
短期负荷预测是指在未来一段时间内（通常是数小时或一天内），对配电网的负荷需求进行准确预测。
准确的短期负荷预测可以帮助电力系统的调度员制定合理的发电计划，合理地安排电网的运行和管理。
而不准确的负荷预测则可能导致电网过载或者能源浪费。
目前，配电网短期负荷预测主要采用传统的时间序列分析方法或者基于统计学的方法。
这些方法往往在准确性和鲁棒性上存在一定的局限性，特别是面对负荷波动较大或者存在噪声干扰时。
研究如何利用先进的计算机科学和人工智能技术来提高负荷预测模型的准确性和鲁棒性，成为当前配电网领域的研究热点之一。
3. 研究内容本文以配电网的历史负荷数据为基础，结合遗传算法优化的前馈神经网络模型，建立配电网短期负荷预测模型。
具体研究内容包括以下几个方面：（1）历史负荷数据的预处理：首先需要对历史负荷数据进行预处理，包括数据清洗、特征提取、数据归一化等步骤，以便于建立神经网络模型。
（2）前馈神经网络模型的建立：在预处理完负荷数据后，利用前馈神经网络模型来对负荷进行预测。
前馈神经网络是一种最常见的神经网络结构，具有较好的拟合能力和泛化能力。
（3）遗传算法的优化：为了进一步提高神经网络模型的预测性能，本文引入遗传算法对网络结构和权值进行优化。
遗传算法是一种模拟自然进化过程的全局寻优算法，可以高效地找到神经网络模型的最优参数。
基于神经网络的模拟电路故障诊断方法浅析
5科技资讯科技资讯S I N &T NOLOGY I NFORM TI ON 2008N O.13SCI ENC E &TEC HNO LO GY I N FO RM A TI ON I T 技术1模拟电路故障诊断方法概述故障诊断根据对被测电路的模拟在测试之前或测试之后分为:测前模拟法S B T 和测后模拟法S A T 。
除此之外,还提出了一些故障定位的其他技术。
1.1测前模拟法SBT测前模拟法又称故障字典法FD(F a ul t D i c t i ona r y)或故障模拟法,其理论基础是模式识别原理,基本步骤是在电路测试之前,用计算机模拟电路在各种故障条件下的状态,建立故障字典;电路测试以后,根据测量信号和某种判决准则查字典,从而确定故障。
选择测试测量点是故障字典法中最重要的部分。
为了在满足隔离要求的条件下使测试点尽可能少,必须选择具有高分辨率的测试点。
在大多数情况下,字典法采用查表的形式,表中元素为di j ＝1,i ＝1,2,…,n,j ＝1,2,…,m 。
n 是假设故障的数目,m 是测量特性数。
故障字典法的优点是一次性计算,所需测试点少,几乎无需测后计算,因此使用灵活,特别适用于在线诊断,如在机舱、船舱使用。
1.2测后模拟法SAT根据同时可诊断的故障是否受限,S A T 又分为任意故障诊断(或参数识别技术)及多故障诊断(或故障证实技术)。
(1)任意故障诊断:此法的原理是利用网络响应与元件参数的关系,根据}响应的测量值去识别(或求解)网络元件的数值,丙根据该值是否在容差范围之内来判定元件是否故障。
所以此法称为参数识别技术或元件值的可解性问题,理论上这种方法能查出所有元件的故障,故又称为任意故障诊断。
(2)多故障诊断:在实际应用中(高可靠电路),任意故障的可能性很小,故障概率最高,如果考虑一个故障出现可能导致另一相关故障,假定两个或几个元件同时发生的多故障也是合理的。
另外对于模拟LSI (Lar ge Scal e I nt egr at i on,大规模集成电路)电路加工中的微调,也是以有限参数调整为对象的。
电路分析的基本方法
电路分析的基本方法
电路分析的基本方法包括：
1. 应用基本电路定律：欧姆定律、基尔霍夫定律和电路的母线分析法等，根据电流和电压的关系进行分析。
2. 运用电阻和电流方向的简单组合，构建基本电路模型。
3. 使用戴维南定理或神经网络法等方法将被测电路转化为等效电路进行分析，求解电阻、电容和电感等元件参数。
4. 使用理想电源模型进行分析，将实际电源转化为理想电源，简化计算过程。
5. 应用频率响应和相位特性等知识，分析交流电路中的幅频响应、相频特性和频率响应等。
6. 利用网络定理，例如戴维南-楚门定理、斯纳-电流引理等，简化或求解复杂电路。
7. 使用变换电路分析法，例如拉普拉斯变换和傅里叶变换等，将时域下的电路转化为频域，进行分析。
8. 使用电路模拟软件进行电路分析和仿真，方便快捷地求解电路中的各个参数。
9. 运用对称性、等效电路及简化网络等方法，在保持电路特性的前提下简化电路。
10. 运用超节点、超网和网络分割法等方法，简化复杂电路，使电路分析更加容易和高效。
基矛PSO—RBF神经网络的模拟电路故障诊断研究
Ｖｏ １ Ｌ ９
Ｎｏ ２ ．４
电子设ｉｎ ｅ ｔｏ ｉ ｓｇ
２１ 年 １ ０１ ２月
Ｄｅ ．２ １ ｃ ０１
基矛 Ｐ Ｏ— Ｂ Ｓ Ｒ Ｆ神经网络的模拟 电路故障诊 断研 究
郭 珂 ， 冶 ，朱 亦 伞
（ 尔 滨工 业 大 学 黑 龙 江 哈 尔滨 １０ ０ ） 哈 ５０ １ 摘 要 ： 对 模 拟 电路 故 障 诊 断 的 难 点 和 传 统 诊 断 方 法 的 不足 之 处 ，提 出 了一 种 基 于 Ｐ ０ 算 法 优 化 的 Ｒ Ｆ神 经 网络 针 Ｓ Ｂ
模 拟 电路 故 障诊 断方 法。 了约 简 网络 结 构从 而提 高诊 断 效 率 ， 用 主 成 分 分 析 方 法 对 故 障特 征 进 行 有 效 提 取 。 对 为 采 针 Ｒ Ｆ 网络 传 统训 练 算 法 中 隐层 节 点 中 心及 基 函数 宽度 选 取 困难 问题 。 出采 用 Ｉ ０ 算 法 来优 化训 练 Ｒ Ｆ网络 ， Ｂ 提 Ｘ ５ Ｂ 以提 高 网络 的训 练 速 度 和 泛 化 性 能 。 最 后 ， 过 电路 仿 真 对 所 提 方 法 的 有 效 性 进 行 了验证 。 通
当今 社 会 ， 电子 设 备 广 泛 应 用 于 人 们 科 研 、 产 、 活 的 生 生 各 个 领 域 。电 子设 备 中 的 电路 系统 分 为 模 拟 电路 和 数 字 电路 两 个 部 分 ． 字 电 路 由 于 输 入 输 出 信 号 比较 规 范 ， 数 电路 集 成 度 高 等 自身 特 点 决 定 了 其 出 现 故 障 的可 能 性 较 小 ， 而且 即 使 出 了故 障也 比较 容 易 诊 断 。 论 分 析 和 长 期 的实 际 使 用 经 验 理
基于神经网络的模拟电路故障诊断
第３卷 第 １ ６ 期 、ｏ ＿６ ，ｌ Ｎｏ ３ ． 河北
工
业
大
学
学
报
２０ 年 ２ ０７ 月
Ｆ ｂｕ ｒ ０ ７ ｅ ｒ ａｙ ２ ０
Ｊ ＯＵＲ ＮＡＬ ＯＦＨＥ ＢＥｌ ＵＮＩ ＲＳ Ｔ ０Ｆ Ｔ ＶＥ Ｉ Ｙ ＥＣＨＮＯＬＯＧＹ
文章编号：１０ —３ ３（０ ７ ｌ０ ５ —４ ０ ７２ ７ ２ ０ ）Ｏ 一０ ６０
基 于神经 网络 的模拟 电路故 障诊 断
胡 慧，徐 晓辉 ，苏彦莽
（ 河北工业大学 信息工程学院，天津 ３０３ ０ １０）
摘要 针对 目 前模 拟电路故障诊断 中 在的客差和 非线性特性所带来的诊断难点 ， 出了一种基 于 Ｌ 算 法的神 存 提 Ｍ 经网络故障诊断方法； 主要 包括故障特征的选取 以及神经 网络 的建立． 中网络 隐含层节点数 的选取采用黄金分 其
０ 前 言
随着集成 电路的快速发展 ，为了提高 产品性能 、降低芯 片面积 和费用 ， 需将数字和 模拟元件集成 在 同一块芯片上 ．据资料报道 ，虽然模拟部分仅 占芯 片面积 的 ５ ％，但其故 障诊断成本却 占总诊断成本 的 ９％ … ５ ．模拟 电路故障诊断一直是集成 电路工业 中的一个 “ 瓶颈 ”问题 ． 以神经网络为代表的计算智能技术为模拟 电路故障诊断提供 了一条 有效途径 ，由于 Ｂ Ｐ神经 网络有 较强 的模式识别能力 ， 而且结构简单 ，工作状态稳定 ，更 易于硬件 实现 ， 以在模拟 电路故 障诊断领域 所 具有很广阔的应用前 景 ．
ｌｍ， ｒ ｓｎ ｍｅｈ ｄｏ ｎ ｕａ ｅｗｏｋｆｕｔ ｉｇ ｏ ｉ ｉｐ ｅｅ ｔｄｂ ｓｄｏ ｅ ｅ ｂ ｒ － ａｑ ａｄ ｌｏ ｉ ｍ ， ｉｈ ｅ ｗｅ ｅ ｅ ｔ ｔｏ ｆ ｅ ｒｌ ｔ ｒ ｌｄａ ｎ ｓｓｓ ｒｓｎｅ ａｅ ｎａＬ ｖ ｎ ｅｇＭ ｒｕ ｒｔ ｇ ｒｔ ｐ ａ ｎ ａ ａ ｈ ｗｈｃ
一种基于交叉注意力机制多模态遥感图像匹配网络
第１３卷㊀第８期Ｖｏｌ．１３Ｎｏ．８㊀㊀智㊀能㊀计㊀算㊀机㊀与㊀应㊀用ＩｎｔｅｌｌｉｇｅｎｔＣｏｍｐｕｔｅｒａｎｄＡｐｐｌｉｃａｔｉｏｎｓ㊀㊀２０２３年８月㊀Ａｕｇ．２０２３㊀㊀㊀㊀㊀㊀文章编号：２０９５－２１６３（２０２３）０８－０１０７－０７中图分类号：ＴＰ３９１文献标志码：Ａ一种基于交叉注意力机制多模态遥感图像匹配网络石添鑫，曹帆之，韩开杨，邓新蒲，汪㊀璞（国防科技大学电子科学学院，长沙４１００７３）摘㊀要：多模态遥感图像之间复杂的非线性辐射失真和几何形变，给图像匹配带来了巨大的挑战㊂由于传统方法普遍采用人工设计的特征描述子，难以表达更深层次和更抽象的特征，在差异较大的图像间匹配结果较差㊂而现有的深度学习描述符不适合直接用于多模态遥感图像配准且普遍存在正确特征点提取较少，配准不稳定的问题㊂针对上述问题，本文提出一种基于交叉注意力机制的多模态遥感图像匹配网络㊂该网络利用相位一致抑制遥感图像之间的巨大差异，同时通过交叉注意力机制学习多模态图像匹配的描述符在小容量数据集上实现了神经网络的泛化训练㊂实验结果表明，所提算法在公开多模态遥感数据集上性能优异，且在其他领域的多模态数据上仍然有效㊂关键词：相位一致性；多模态；交叉注意力机制Ａｍｕｌｔｉｍｏｄａｌｒｅｍｏｔｅｓｅｎｓｉｎｇｉｍａｇｅｍａｔｃｈｉｎｇｎｅｔｗｏｒｋｂａｓｅｄｏｎｃｒｏｓｓ－ａｔｔｅｎｔｉｏｎｍｅｃｈａｎｉｓｍＳＨＩＴｉａｎｘｉｎ，ＣＡＯＦａｎｚｈｉ，ＨＡＮＫａｉｙａｎｇ，ＤＥＮＧＸｉｎｐｕ，ＷＡＮＧＰｕ（ＣｏｌｌｅｇｅｏｆＥｌｅｃｔｒｏｎｉｃＳｃｉｅｎｃｅａｎｄＴｅｃｈｎｏｌｏｇｙ，ＮａｔｉｏｎａｌＵｎｉｖｅｒｓｉｔｙｏｆＤｅｆｅｎｓｅＴｅｃｈｎｏｌｏｇｙ，Ｃｈａｎｇｓｈａ４１００７３，Ｃｈｉｎａ）ʌＡｂｓｔｒａｃｔɔＣｏｍｐｌｅｘｎｏｎ－ｌｉｎｅａｒｒａｄｉｏｍｅｔｒｉｃｄｉｓｔｏｒｔｉｏｎｓａｎｄｇｅｏｍｅｔｒｉｃｄｅｆｏｒｍａｔｉｏｎｓｂｅｔｗｅｅｎｍｕｌｔｉｍｏｄａｌｒｅｍｏｔｅｓｅｎｓｉｎｇｉｍａｇｅｓｐｏｓｅａｓｉｇｎｉｆｉｃａｎｔｃｈａｌｌｅｎｇｅｔｏｉｍａｇｅｍａｔｃｈｉｎｇ．Ａｓｔｒａｄｉｔｉｏｎａｌｍｅｔｈｏｄｓｇｅｎｅｒａｌｌｙｕｓｅｍａｎｕａｌｌｙｄｅｓｉｇｎｅｄｆｅａｔｕｒｅｄｅｓｃｒｉｐｔｏｒｓ，ｉｔｉｓｄｉｆｆｉｃｕｌｔｔｏｅｘｐｒｅｓｓｄｅｅｐｅｒａｎｄｍｏｒｅａｂｓｔｒａｃｔｆｅａｔｕｒｅｓ，ａｎｄｔｈｅｍａｔｃｈｉｎｇｒｅｓｕｌｔｓｂｅｔｗｅｅｎｉｍａｇｅｓｗｉｔｈｌａｒｇｅｄｉｆｆｅｒｅｎｃｅｓａｒｅｐｏｏｒ．Ｔｈｅｅｘｉｓｔｉｎｇｄｅｅｐｌｅａｒｎｉｎｇｄｅｓｃｒｉｐｔｏｒｓａｒｅｎｏｔｓｕｉｔａｂｌｅｆｏｒｄｉｒｅｃｔｕｓｅｉｎｍｕｌｔｉｍｏｄａｌｒｅｍｏｔｅｓｅｎｓｉｎｇｉｍａｇｅａｌｉｇｎｍｅｎｔａｎｄｇｅｎｅｒａｌｌｙｓｕｆｆｅｒｆｒｏｍｌｏｗｅｘｔｒａｃｔｉｏｎｏｆｃｏｒｒｅｃｔｆｅａｔｕｒｅｐｏｉｎｔｓａｎｄｕｎｓｔａｂｌｅａｌｉｇｎｍｅｎｔ．Ｔｏａｄｄｒｅｓｓｔｈｅｐｒｏｂｌｅｍｓ，ｔｈｅｐａｐｅｒｐｒｏｐｏｓｅｓａｍｕｌｔｉｍｏｄａｌｒｅｍｏｔｅｓｅｎｓｉｎｇｉｍａｇｅｍａｔｃｈｉｎｇｎｅｔｗｏｒｋｂａｓｅｄｏｎｃｒｏｓｓ－ａｔｔｅｎｔｉｏｎｍｅｃｈａｎｉｓｍ．Ａｆｔｅｒｔｈａｔ，ｔｈｅｒｅｓｅａｒｃｈｔａｋｅｓａｄｖａｎｔａｇｅｏｆｐｈａｓｅｃｏｈｅｒｅｎｃｅｔｏｏｂｔａｉｎｍｏｒｅｓｔａｂｌｅｆｅａｔｕｒｅｐｏｉｎｔｓ，ａｎｄｔｈｅｍｕｌｔｉ－ｍｏｄａｌｉｍａｇｅｍａｔｃｈｉｎｇｄｅｓｃｒｉｐｔｏｒｉｓｌｅａｒｎｅｄｂｙｔｈｅｃｒｏｓｓ－ａｔｔｅｎｔｉｏｎｍｅｃｈａｎｉｓｍｔｏｒｅａｌｉｚｅｔｈｅｇｅｎｅｒａｌｉｚａｔｉｏｎｔｒａｉｎｉｎｇｏｆｎｅｕｒａｌｎｅｔｗｏｒｋｓｏｎｓｍａｌｌｄａｔａｓｅｔｓ．Ｅｘｐｅｒｉｍｅｎｔａｌｒｅｓｕｌｔｓｓｈｏｗｔｈａｔｔｈｅｐｒｏｐｏｓｅｄａｌｇｏｒｉｔｈｍｐｅｒｆｏｒｍｓｗｅｌｌｏｎｐｕｂｌｉｃｌｙａｖａｉｌａｂｌｅｍｕｌｔｉ－ｍｏｄａｌｄａｔａｓｅｔｓａｎｄｒｅｍａｉｎｓｅｆｆｅｃｔｉｖｅｏｎｏｔｈｅｒｄｏｍａｉｎｓ．ʌＫｅｙｗｏｒｄｓɔｐｈａｓｅｃｏｎｓｉｓｔｅｎｃｙ；ｍｕｌｔｉ－ｍｏｄａｌ；ｃｒｏｓｓ－ａｔｔｅｎｔｉｏｎｍｅｃｈａｎｉｓｍ作者简介：石添鑫（１９９７－），女，硕士研究生，主要研究方向：图像匹配；曹帆之（１９９２－），男，博士研究生，主要研究方向：图像匹配；韩开杨（１９９９－），男，硕士研究生，主要研究方向：图像匹配；邓新蒲（１９６６－），男，博士，副教授，主要研究方向：视线确定；汪㊀璞（１９８６－），男，博士，讲师，主要研究方向：视线确定㊂通讯作者：汪㊀璞㊀㊀Ｅｍａｉｌ：ｗｐ４２１１８９＠ｎｕｄｔ．ｅｄｕ．ｃｎ收稿日期：２０２２－０９－１１０㊀引㊀言近年来，多模态遥感图像匹配引起了广泛关注㊂该研究目的是在２张或多张由不同的传感器㊁不同的视角或不同的时间获得的图像中识别同名点㊂由于不同传感器成像机制㊁成像条件不同，多模态图像之间存在明显的非线性辐射失真（ＮＲＤ）和几何畸变㊂因此多模态图像之间精确匹配仍然是一个具有挑战性的问题㊂最近研究表明，图像的结构和形状特性在不同的模态之间得以保留㊂Ｙｅ等学者［１］通过捕获了图像之间的形状相似性，提出了一种新的图像匹配相似度度量（ＤＬＳＣ），且与图像间强度无关㊂虽然该研究方法在处理图像间非线性强度差异效果较好，但如果图像包含很少的形状或轮廓信息，则ＤＬＳＣ的性能可能会下降㊂基于此，Ｙｅ等学者［２］又提出一种快速鲁棒的传统匹配框架，在所提框架中，图像的结构和形状属性由像素级特征表示，并将定向相位一致性直方图作为特征描述子，且获得了良好的结果㊂但该框架无法处理具有较大旋转和比例差异的图像㊂Ｌｉ等学者［３］发现相位一致性图（ＰＣ）具有很好的辐射鲁棒性，并构建最大索引图来削弱多模态图像的ＮＲＤ差异，提出了一种具有旋转不变性且对辐射变化不敏感的特征变换方法（ＲＩＦＴ）㊂但是ＲＩＦＴ方法不支持图像的尺度差异㊂Ｘｉｅ等学者［４］提出了基于ｌｏｇＧａｂｏｒ滤波的扩展相位相关算法（ＬＧＥＰＣ），更好地解决了ＮＲＤ以及大尺度差异和旋转变换问题，但该方法配准精度不太令人满意㊂这些传统方法均是人工制作的描述子，而这些描述子通常来自图像的外观信息，如颜色㊁纹理和梯度，难以表达更深层次和更抽象的特征㊂此外，人工特征描述符的系数和最佳的参数需要大量的手动调整㊂因此深度学习的方法渐渐受到人们的关注㊂在图像匹配的领域，基于深度学习的算法吸引了许多关注［５－７］㊂但是在多模态遥感图像匹配中，深度学习的方法并没有表现出极大的优势㊂一方面，因为将图像匹配的任务重新设计为可区分的端到端过程是具有挑战的㊂另一方面，正如文献［８］中所述，当前用于训练的本地多模态数据集还不够多样化，无法学习高质量且广泛适用的描述符㊂目前该领域只有少量深度学习方法是针对多模态设计的，大多仅适用于某一种类型的跨模态，例如可见光与ＳＡＲ图像匹配㊁红外与可见光图像匹配等㊂且现有的多模态匹配深度方法ＳＦｃＮｅｔ［９］㊁ＣＮｅｔ［１０］普遍存在提取正确特征点个数较少的问题㊂针对上述问题，本文提出一种基于交叉注意力机制的多模态遥感图像匹配网络（ＰＣＭ）㊂具体来说，利用相位一致性具有良好辐射鲁棒性，首先构建多模态图像的相位一致图（ＰＣ图），然后利用Ｆａｓｔ算法在ＰＣ图上来获得更多㊁更稳定的特征点，接着通过交叉注意力机制学习多模态图像的共有特征，得到特征点的描述子㊂最后，计算描述子之间的余弦距离，选取距离最短的点作为匹配点㊂实验表明该算法在公开多模态遥感数据集上性能优异，且在其他领域的多模态数据上仍然有效㊂１㊀背景知识１．１㊀注意力机制在２０１７年，Ｇｏｏｇｌｅ团队在论文‘Ａｔｔｅｎｔｉｏｎｉｓａｌｌｙｏｕｎｅｅｄ“［１１］中提出了一个自我注意的结构㊂这引起了巨大的反响，使注意机制成为最近研究的重要主题，该研究在各种ＮＬＰ任务中取得了成功，同时在视觉领域也开始尝试把自我注意的结构应用于各类任务中，如语义分割㊁图像分类㊁人类姿势估计等㊂注意机制旨在自动探索有意义的功能，以增强其表示能力并提高最终性能㊂自注意力机制的计算方式如下：Ａｔｔｅｎｔｉｏｎ（Ｑ，Ｋ，Ｖ）＝ｓｏｆｔｍａｘＱＫＴｄｋæèçöø÷Ｖ（１）Ｑ＝ＷＱＸ（２）Ｋ＝ＷＫＸ（３）Ｖ＝ＷＶＸ（４）㊀㊀其中，Ｘ表示输入的数据，Ｑ，Ｋ，Ｖ的值都是通过Ｘ和超参Ｗ相乘得到的㊂这里，Ｑ可理解为查询的变量，Ｋ为索引的变量，Ｖ为内容的变量㊂１．２㊀相位一致性相位一致性（ｐｈａｓｅｃｏｎｇｒｕｅｎｃｙ，ＰＣ）是将图像傅立叶分量中相位一致的点的集合㊂这是一个无量纲的量，其取值范围被标准化为０ １，因此受图像亮度或对比度变化的影响较小㊂最早关注到图像相位信息是Ｏｐｐｅｎｈｅｉｍ等学者［１２］，研究中发现在信号的傅立叶表示中，在某些情况下如果仅保留相位，信号的许多重要特征就会得到保留㊂随后，Ｍｏｒｒｏｎｅ和Ｏｗｅｎｓ［１３］发现能量函数的极大值出现在相位一致的点上，因此提出了一种利用构造局部能量函数来检测和定位特征点算法㊂Ｋｏｖｅｓｉ［１４］对该方法做出了改进，克服了噪声等问题，使该方法的应用得以保证㊂目前，相位一致图已经广泛应用于图像边缘检测中㊂１．３㊀构建相位一致图本文利用相位一致性构建多模态图像的相位一致图（ＰＣ图），如图１所示㊂具体来说，本文使用Ｌｏｇ－Ｇａｂｏｒ小波在多个尺度和方向上计算，计算公式见式（５）：ＰＣ（ｘ，ｙ）＝ðｏðｓＷｏ（ｘ，ｙ）Ａｓｏ（ｘ，ｙ）ΔΦｓｏ（ｘ，ｙ）－ＴðｏðｓＡｓｏ（ｘ，ｙ）＋ε（５）其中，ＰＣ（ｘ，ｙ）表示相位一致性的大小；Ｗｏ是频率分布的权重因子；Ａｓｏ（ｘ，ｙ）为在小波尺度ｓ和方向ｏ上的（ｘ，ｙ）处的振幅；ε是一个很小值，为了防止分母为零；⌊．」运算符防止结果为负值，即封闭的值为正值时结果等于其本身，否则为零㊂ΔΦｓｏ（ｘ，ｙ）是一个敏感的相位偏差函数，定义为：Ａｓｏ（ｘ，ｙ）ΔΦｓｏ（ｘ，ｙ）＝（ｅｓｏ（ｘ，ｙ）ϕ－ｅ（ｘ，ｙ）＋㊀㊀㊀ｒｓｏ（ｘ，ｙ）ϕ－ｄ（ｘ，ｙ））－｜（ｅｓｏ（ｘ，ｙ）ϕ－ｄ（ｘ，ｙ）－㊀㊀㊀ｒｓｏ（ｘ，ｙ）ϕ－ｅ（ｘ，ｙ））（６）㊀ϕ－ｅ（ｘ，ｙ）＝ðｓðｏｅｓｏ（ｘ，ｙ）／Ｅ（ｘ，ｙ）（７）８０１智㊀能㊀计㊀算㊀机㊀与㊀应㊀用㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀第１３卷㊀㊀ϕ－ｄ（ｘ，ｙ）＝ðｓðｏｒｓｏ（ｘ，ｙ）／Ｅ（ｘ，ｙ）（８）其中，ｅｓｏ（ｘ，ｙ），ｒｓｏ（ｘ，ｙ）是将图像与偶对称小波和奇对称Ｌｏｇ－Ｇａｂｏｒ小波分别进行卷积，得到在尺度ｓ和方向ｏ上的响应㊂Ｅ（ｘ，ｙ）是一个局部能量函数，函数中的２部分通过信号和一对正交滤波器进行卷积来得到，即：Ｅ（ｘ，ｙ）＝ðｓðｏｅｓｏ（ｘ，ｙ）()２＋ðｓðｏｒｓｏ（ｘ，ｙ）()２（９）01002003004005000200400o r i g i nP C010020030040050002004000100200300400500200400o r i g i nP C0100200300400500200400图１㊀利用相位一致性构建多模态图像ＰＣ图Ｆｉｇ．１㊀ＣｏｎｓｔｒｕｃｔｉｏｎｏｆｍｕｌｔｉｍｏｄａｌｉｍａｇｅＰＣｍａｐｓｕｓｉｎｇｐｈａｓｅｃｏｈｅｒｅｎｃｅ２㊀模型构建在本节中，阐述了所提出的多模态遥感图像匹配方法㊂算法流程如图２所示㊂由图２可看到，本文算法主要由３个阶段组成，包括：特征点检测㊁特征描述符获取和特征点匹配㊂２．１㊀特征点检测在图像匹配的过程中，如何提取重复率高㊁分布均匀㊁且稳定的特征点也是近来的研究热点㊂在多模态图像匹配中由于存在较大的非线性辐射畸变，在自然图像上表现较好的特征点检测方法并不能完全适用㊂因此，本文利用相位一致性具有辐射鲁棒性，考虑构建多模态图像的ＰＣ图㊂通过构建的ＰＣ图，多模态图像之间共有的结构特性被保留下来㊂接着在ＰＣ图上进行特征点检测，具体来说，通过１．３节中式（５）获得图像的相位一致图，接着利用Ｆａｓｔ特征提取算法在ＰＣ图上提取一定数量的特征点㊂在ＰＣ图上利用Ｆａｓｔ算法提取特征点如图３所示㊂需要说明的是，在训练阶段本文选取了利用上述方法提取的特征点中，均匀分布的３０个特征点进行训练㊂输出匹配结果计算描述符之间的余弦距离，相似度最大的为对应点利用注意力机制网络获得特征点的描述符感知图像参考图像相位一致性相位一致性F as t 提取特征点F a s t 提取特征点P C 图P C 图图２㊀本文算法流程图Ｆｉｇ．２㊀Ｆｌｏｗｃｈａｒｔｏｆｔｈｅａｌｇｏｒｉｔｈｍｉｎｔｈｉｓｐａｐｅｒ图３㊀在ＰＣ图上利用Ｆａｓｔ算法提取特征点Ｆｉｇ．３㊀ＥｘｔｒａｃｔｉｏｎｏｆｆｅａｔｕｒｅｐｏｉｎｔｓｏｎＰＣｇｒａｐｈｕｓｉｎｇＦａｓｔａｌｇｏｒｉｔｈｍ２．２㊀特征描述符获取通过第一步得到特征点位置后，还要知道特征点的描述符，考虑采用人工设计的特征描述子，难以表达更深层次和更抽象的特征㊂并且人工特征描述符的系数和最佳参数需要大量的手动调整㊂因此本文利用深度学习的方法获得具有更好特征表达能力的描述子㊂本文算法提出一种基于交叉注意力机制的卷积神经网络㊂由于注意力机制是一种搜索全局特征的结构，需要的计算量和内存都较大，为了减少计算量和内存，考虑首先学习半稠密的描述符㊂具体网络结构如图４所示㊂首先，参考图像与感知图像经过一个卷积核大小为１１ˑ１１的大尺度卷积，提取浅层特征，此时特征维数为６４，接着经过３层ＶＧＧ－Ｂａｓｉｃｂｌｏｃｋ提取深度特征，每层网络包含２个卷积层㊁２个ＢＮ层㊁１个ｄｒｏｐｏｕｔ层，特征维数扩展为１２８㊂然后，再经过１个卷积核大小为１５ˑ１５的９０１第８期石添鑫，等：一种基于交叉注意力机制多模态遥感图像匹配网络大尺度卷积，获得全局特征，最后通过１个ｄｒｏｐｏｕｔ层，丢弃一些无用特征，这样就得到了大小为原图大小八分之一的特征图，特征通道为１２８维㊂但是由于图像之间差异较大，因此采用了互注意力机制，更好地学习彼此的共有的特征㊂通过上述步骤得到了半稠密描述符，此时的特征图尺寸为原图大小的八分之一㊂除此之外，还需要得到每个特征点对应的描述符，由于得到的特征图尺寸为原图大小的八分之一，无法利用特征点的位置直接在特征图上提取特征㊂因此，本文首先对原图上特征点的坐标进行归一化，接着根据输入特征图的尺度按比例恢复特征点坐标，见式（１０）：Ｘ，Ｙ()＝（ｘｈＨ２，ｙｗＷ２）（１０）㊀㊀其中，（Ｘ，Ｙ）为归一化后的特征点坐标；（ｘ，ｙ）为特征在原图的坐标位置；Ｈ，Ｗ分别为原图和特征图的长宽；ｈ和ｗ分别为特征图的长宽㊂但是这个新的坐标位置可能并非为整像素，此时要对其进行双线性插值补齐，然后其余特征通道按照同样的方式进行双线性插值㊂通过上述方法即得到了每个特征点对应的描述符㊂描述子计算描述子计算C r o s sA t t e n t i o nC r o s sA t t e n t i o nF a s tD r o p o u tD r o p o u tC o n v C o n vF a s tP CV G GB a s i c b l o c kV G GB a s i c b l o c kC o n v C o n vP C R e fS e nC o n vB NC o n vB NC o n vD r o p o u t(a )T h e p r o p o s e d o v e r a l l f r a m e w o r kA t t e n t i o n M a pQ KV(c 1)S e l f -A t t e n t i o n(c )C r o s s A t t e n t i o n S e l f -A t t e n t i o nS e l f -A t t e n t i o n F l a t t e nF l a t t e nV (S )K (S )Q (S )Q (R )K (R )V (R )(b )V G GB a s i c b l o c k S h a r e d w e i g h t s M u l t i p l i c a t i o nD o t p r o d u c t i o n S o f t m a xV :V a l u e K :K e yQ :Q u e r y图４㊀ＰＣＭ网络结构图Ｆｉｇ．４㊀ＰＣＭｎｅｔｗｏｒｋｓｔｒｕｃｔｕｒｅ２．３㊀特征点匹配在训练阶段，本文采用有监督训练，每对图像的标签已知㊂首先，利用２．１节中介绍的特征点检测的方法获得参考图像上的特征点位置（ｘｒ，ｙｒ），然后利用图像标签计算得到感知图像上的对应点位置（ｘｓ，ｙｓ），具体见式（３）：ｘ(ｓ，ｙｓ，１）＝Ｈˑ（ｘｒ，ｙｒ，１）（１１）㊀㊀其中，Ｈ为一个３ˑ３大小的矩阵，即为图像的标签㊂因此在特征匹配阶段，只需要计算考虑描述子间的损失函数，降低了训练的难度㊂本文损失函数参考ＳｕｐｅｒＰｏｉｎｔ［５］研究中给出的损失函数，将损失函数定义为合页损失（Ｈｉｎｇｅ－Ｌｏｓｓ），具体计算公式为：ＬｄＤ，Ｄᶄ，Ｓ()＝１ＨｃＷｃ()２ðＨｃ，Ｗｃｈ＝１ｗ＝１ðＨｃ，Ｗｃｈᶄ＝１ｗᶄ＝１ｌｄｄｈｗ，ｄᶄｈᶄｗᶄ；ｓｈｗｈᶄｗᶄ()（１２）其中，㊀ｌｄｄ，ｄᶄ；ｓ()＝λｄ∗ｓ∗ｍａｘ０，ｍｐ－ｄＴｄᶄ()＋１－ｓ()∗ｍａｘ０，ｄＴｄᶄ－ｍｎ()（１３）㊀㊀ｓｈｗｈᶄｗᶄ＝１㊀ｉｆ ＾ＨＰｈｗ－Ｐｈᶄｗᶄ ɤ５０㊀ｏｔｈｅｒｗｉｓｅ{（１４）其中，λｄ为定义的权重；ｓｈｗｈᶄｗᶄ判断对应点是否匹配；Ｐｈᶄｗᶄ为双三次插值后特征点坐标；＾ＨＰｈｗ是对Ｐｈᶄｗᶄ做单应性变换Ｈ㊂ｄｈｗ为预测点的描述子；ｄᶄｈᶄｗᶄ为真值点的描述子㊂当ｄｈｗ和ｄᶄｈᶄｗᶄ越相似时，损失０１１智㊀能㊀计㊀算㊀机㊀与㊀应㊀用㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀第１３卷㊀函数越小㊂在本文中，设置λｄ＝２５０，ｍｐ＝１，ｍｎ＝０．２，λ＝０．０００１㊂３㊀实验与分析本节中，将本文所提方法与其它主流方法在匹配的性能㊁计算复杂度和推理时间等方面与进行比较㊂最后，在计算机视觉领域以及医学图像领域验证本算法的泛化性能㊂３．１㊀实验数据本文的训练集是从Ｌａｎｄｓａｔ８卫星影像上获取的不同波段的图像，对地分辨率为３０ｍ㊂训练集包含１１５３对大小为２５６ˑ２５６的图像㊂测试数据集选用了Ｊｉａｎｇ等学者［１５］提出的多模态图像匹配数据集㊂该数据集包括３个不同领域的多模态数据：计算机视觉领域㊁医学领域㊁遥感领域㊂本文的对比实验主要在其中的遥感数据上测试㊂同时，为了验证该算法的鲁棒性，在医学数据集中进行了泛化性能测试㊂实验设置在２４ＧＢＮＶＩＤＩＡ３０９０上，并进行网络训练测试㊂３．２㊀实验设置实验的性能指标主要为匹配精度（ＡＣＣ）㊁正确匹配点个数（ＮＣＭ）㊁匹配运行时间（ＲＴ），其中匹配正确点是指预测匹配点与真实匹配点之间距离不超过５个像素的点，而匹配精度是指正确匹配点个数与算法总匹配点个数的百分比㊂对比实验选取了４种对比算法，分别为ＲＩＦＴ［３］，ＨＡＰＣＧ［１６］，３ＭＲＳ［１７］，ＤＦＭ［７］，其中ＤＦＭ为深度学习的方法，但是其在论文中介绍该方法无需进行训练㊂上述方法均在Ｊｉａｎｇ等学者［１５］提出的多模态图像匹配数据集测试㊂为了更好地比较不同算法的性能，所有传统对比算法与本文算法均未使用误差点剔除模块，同时保证初始检测特征点数量相同，均设置为５０００个㊂３．３㊀算法性能比较表１展示了本算法与现有传统算法与深度算法在匹配精度上的对比结果㊂可以看出，本算法在光学图像与ＳＡＲ图像类型匹配中取得了最高的匹配精度，而同为深度学习方法的ＤＦＭ算法在地图图像与光学图像上匹配精度最大，其余３种传统方法则是在红外与光学图像上有最好的匹配精度㊂本文算法在所有类型上均优于传统算法，但是在某些多模态类型下的精度并没有ＤＦＭ算法高㊂不过通过具体的实验数据，５种方法在多模态图像匹配数据集的匹配精度对比如图５所示，可以发现ＤＦＭ算法在某些图像上匹配结果很好，但是在一些难度较大的图像上匹配精度为０㊂因此通过表１和图５可以看出，本文算法不仅具有较好精度，同时也具有很好的稳定性㊂表１㊀５种方法在多模态数据集上的匹配精度（ＡＣＣ）Ｔａｂ．１㊀Ｍａｔｃｈｉｎｇａｃｃｕｒａｃｙ（ＡＣＣ）ｏｆｔｈｅｆｉｖｅｍｅｔｈｏｄｓｏｎｔｈｅｍｕｌｔｉｍｏｄａｌｄａｔａｓｅｔ％方法类型ＲＩＦＴＨＡＰＣＧ３ＭＲＳＤＦＭＯＵＲＣｒｏｓｓＳｅａｓｏｎ１２．６０６．９３１３．０９２４．６６２５．６７ｄａｙｎｉｇｈｔ２０．１６５．２４２０．１１４０．００４１．６６ＤｅｐｔｈＯｐｔｉｃａｌ３０．４８６．１８３１．６８６１．７７５４．４５ＩｎｆｒａｒｅｄＯｐｔｉｃａｌ３５．０５１３．４３３６．１１２０．８３４４．０３ＭａｐＯｐｔｉｃａｌ２８．８５９．４７３１．４７４４．２９３４．６８ＯｐｔｉｃａｌＯｐｔｉｃａｌ３４．０４７．９５３３．５８８０．２７５８．９２ＳＡＲＯｐｔｉｃａｌ３４．４１５．１５３３．７０７１．１６７２．２２㊀㊀表２展示了本算法与现有传统算法及深度算法在匹配正确点个数上对比结果㊂从表２可以看出，不管哪种类型数据，在匹配正确点个数上本文算法均取得了最好的效果，同时在所有类型数据中，可见光与可见光匹配效果最好㊂㊀㊀５种算法在多模态数据集上的匹配时间对比结果见表３㊂从表３可以看出，不管哪种类型数据，本文算法运行速度较传统算法均提高了４ １０倍，与深度方法对比也在大部分数据类型上都有更快的运行速度㊂表２㊀５种方法在多模态数据集上的匹配正确点个数（ＮＣＭ）Ｔａｂ．２㊀Ｎｕｍｂｅｒｏｆｃｏｒｒｅｃｔｌｙｍａｔｃｈｅｄｐｏｉｎｔｓ（ＮＣＭ）ｏｆｔｈｅｆｉｖｅｍｅｔｈｏｄｓｏｎｔｈｅｍｕｌｔｉｍｏｄａｌｄａｔａｓｅｔ方法类型ＲＩＦＴＨＡＰＣＧ３ＭＲＳＤＦＭＯＵＲＣｒｏｓｓＳｅａｓｏｎ１２８２０１１２５１８３３８ｄａｙｎｉｇｈｔ２６７１７４２５９１４９７ＤｅｐｔｈＯｐｔｉｃａｌ３９３２７１４８８１０８３１ＩｎｆｒａｒｅｄＯｐｔｉｃａｌ３５２４７１３４７３４１２ＭａｐＯｐｔｉｃａｌ３９２４０３４８８２３２８ＯｐｔｉｃａｌＯｐｔｉｃａｌ４６９２５６４４６１４６９１９ＳＡＲＯｐｔｉｃａｌ３９０２１１３５２１２４８０１１１第８期石添鑫，等：一种基于交叉注意力机制多模态遥感图像匹配网络表３㊀５种方法在多模态数据集上的匹配时间（ＲＴ）Ｔａｂ．３㊀Ｍａｔｃｈｉｎｇｔｉｍｅｓ（ＲＴ）ｏｆｔｈｅｆｉｖｅｍｅｔｈｏｄｓｏｎｔｈｅｍｕｌｔｉｍｏｄａｌｄａｔａｓｅｔ方法类型ＲＩＦＴＨＡＰＣＧ３ＭＲＳＤＦＭＯＵＲＣｒｏｓｓＳｅａｓｏｎ９．５２７．３４９．９４１．３８２．４３ｄａｙｎｉｇｈｔ１０．４８５．００１０．１７１．３０１．２２ＤｅｐｔｈＯｐｔｉｃａｌ１１．１０６．１２１２．７９１．５８１．４９ＩｎｆｒａｒｅｄＯｐｔｉｃａｌ７．２３４．６３６．７９１．５２１．２７ＭａｐＯｐｔｉｃａｌ１１．６５６．２６１３．０５１．８４１．３９ＯｐｔｉｃａｌＯｐｔｉｃａｌ１０．０２４．４６９．９２１．７３１．２７ＳＡＲＯｐｔｉｃａｌ８．５７５．６０７．９６１．９６１．５６３．４㊀算法鲁棒性实验表４为该算法在医学多模态数据上的实验结果㊂由表４可以看出，本文算法即使在医学多模态图像上测试，在３种指标下都有不错的结果，证明本算法具有较高的鲁棒性㊂表４㊀本文算法在医学多模态数据上的实验结果Ｔａｂ．４㊀Ｅｘｐｅｒｉｍｅｎｔａｌｒｅｓｕｌｔｓｏｆｔｈｉｓｐｒｏｐｏｓｅｄａｌｇｏｒｉｔｈｍｏｎｍｅｄｉｃａｌｍｕｌｔｉｍｏｄａｌｄａｔａ类型指标ＡＣＣ／％ＮＣＭＲＴ／ｓＭＲ＿ＰＥＴ１３．００２６０．５２ＰＤ＿Ｔ１９７．３１４０００．３０ＰＤ＿Ｔ２９８．４９５０４０．２７Ｒｅｔｉｎａ６１．３６１６８８３．７０ＳＰＥＣＴ＿ＣＴ２３．５３５１０．４９Ｔ１＿Ｔ２９９．１０５２２０．２９平均值６５．４７５３２０．９３R I F TH A P C G3M R S O U R D F M100908070605040302010匹配精度/%C S 1C S 2C S 3C S 4C S 5D N 1D N 2D N 3D N 4D N 5D O 1D O 2D O 3D O 4D O 5D O 6D O 7D O 8I O 1I O 2I O 3I O 4M O 7M O 1M O 2M O 3M O 4M O 5M O 6O O 1O O 2O O 3O O 4O O 5O O 6S O 1S O 2S O 3S O 4S O 5S O 6C S :不同季节D N :不同光照条件D O ：深度图与可见光图I O ：红外图与可见光图M O ：地图与可见光图O O ：可见光图与可见光图S O :合成孔径雷达图与可见光图图５㊀５种方法在多模态图像匹配数据集的匹配精度图Ｆｉｇ．５㊀Ｐｌｏｔｏｆｍａｔｃｈｉｎｇａｃｃｕｒａｃｙｏｆｔｈｅｆｉｖｅｍｅｔｈｏｄｓｏｎｔｈｅｍｕｌｔｉｍｏｄａｌｉｍａｇｅｍａｔｃｈｉｎｇｄａｔａｓｅｔ４㊀结束语针对多模态遥感数据匹配的难点问题，图像间存在非线性辐射差异，本文提出一种基于交叉注意力机制的多模态遥感图像匹配网络㊂该网络利用相位一致性获得更稳定的特征点，同时利用交叉注意力机制学习多模态图像共有特征，在更容易获得的多波段遥感小容量数据集上进行训练㊂实验结果表明，本文方法在公开数据集上匹配性能优异，并在其他领域的多模态数据上仍然有效㊂但是当图像间有较大的旋转或者尺度差异性能会下降，后续将考虑对训练数据进行增强，同时优化网络结构进一步提高匹配速度㊂参考文献［１］ＹＥＹｕａｎｘｉｎ，ＬｉＳｈｅｎ，ＨＡＯＭｉｎｇ，ｅｔａｌ．Ｒｏｂｕｓｔｏｐｔｉｃａｌ－ｔｏ－ＳＡＲｉｍａｇｅｍａｔｃｈｉｎｇｂａｓｅｄｏｎｓｈａｐｅｐｒｏｐｅｒｔｉｅｓ［Ｊ］．ＩＥＥＥＧｅｏｓｃｉｅｎｃｅａｎｄＲｅｍｏｔｅＳｅｎｓｉｎｇＬｅｔｔｅｒｓ，２０１７，１４（４）：５６４－５６８．［２］ＹＥＹｕａｎｘｉｎ，ＢＲＵＺＺＯＮＥＬ，ＳＨＡＮＪｉｅ，ｅｔａｌ．Ｆａｓｔａｎｄｒｏｂｕｓｔｍａｔｃｈｉｎｇｆｏｒｍｕｌｔｉｍｏｄａｌｒｅｍｏｔｅｓｅｎｓｉｎｇｉｍａｇｅｒｅｇｉｓｔｒａｔｉｏｎ［Ｊ］．ＩＥＥＥＴｒａｎｓａｃｔｉｏｎｓｏｎＧｅｏｓｃｉｅｎｃｅａｎｄＲｅｍｏｔｅＳｅｎｓｉｎｇ，２０１９，５７（１１）：９０５９－９０７０．［３］ＬＩＪｉａｙｕａｎ，ＨＵＱｉｎｇｗｕ，ＡＩＭｉｎｇｙａｏ．ＲＩＦＴ：Ｍｕｌｔｉ－ｍｏｄａｌｉｍａｇｅｍａｔｃｈｉｎｇｂａｓｅｄｏｎｒａｄｉａｔｉｏｎ－ｖａｒｉａｔｉｏｎｉｎｓｅｎｓｉｔｉｖｅｆｅａｔｕｒｅｔｒａｎｓｆｏｒｍ［Ｊ］．ＩＥＥＥＴｒａｎｓａｃｔｉｏｎｓｏｎＩｍａｇｅＰｒｏｃｅｓｓｉｎｇ，２０２０，２９：３２９６－３３１０．２１１智㊀能㊀计㊀算㊀机㊀与㊀应㊀用㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀第１３卷㊀［４］ＸＩＥＸｕｎｗｅｉ，ＺＨＡＮＧＹｏｎｇｊｕｎ，ＸＩＡＯＬｉｎｇ，ｅｔａｌ．Ａｎｏｖｅｌｅｘｔｅｎｄｅｄｐｈａｓｅｃｏｒｒｅｌａｔｉｏｎａｌｇｏｒｉｔｈｍｂａｓｅｄｏｎｌｏｇ－Ｇａｂｏｒｆｉｌｔｅｒｉｎｇｆｏｒｍｕｌｔｉｍｏｄａｌｒｅｍｏｔｅｓｅｎｓｉｎｇｉｍａｇｅｒｅｇｉｓｔｒａｔｉｏｎ［Ｊ］．ＩｎｔｅｒｎａｔｉｏｎａｌＪｏｕｒｎａｌｏｆＲｅｍｏｔｅＳｅｎｓｉｎｇ，２０１９，４０（１４）：５４２９–５４５３．［５］ＤＥＴＯＮＥＤ，ＭＡＬＩＳＩＥＷＩＣＺＴ，ＲＡＢＩＮＯＶＩＣＨＡ．ＳｕｐｅｒＰｏｉｎｔ：Ｓｅｌｆ－ｓｕｐｅｒｖｉｓｅｄＩｎｔｅｒｅｓｔｐｏｉｎｔｄｅｔｅｃｔｉｏｎａｎｄｄｅｓｃｒｉｐｔｉｏｎ［Ｊ］．ａｒＸｉｖｐｒｅｐｒｉｎｔａｒＸｉｖ：１７１２．０７６２９，２０１８．［６］ＳＡＲＬＩＮＰＥ，ＤＥＴＯＮＥＤ，ＭＡＬＩＳＩＥＷＩＣＺＴ，ｅｔａｌ．ＳｕｐｅｒＧｌｕｅ：ＬｅａｒｎｉｎｇｆｅａｔｕｒｅｍａｔｃｈｉｎｇｗｉｔｈｇｒａｐｈＮｅｕｒａｌＮｅｔｗｏｒｋｓ［Ｃ］／／２０２０ＩＥＥＥ／ＣＶＦＣｏｎｆｅｒｅｎｃｅｏｎＣｏｍｐｕｔｅｒＶｉｓｉｏｎａｎｄＰａｔｔｅｒｎＲｅｃｏｇｎｉｔｉｏｎ（ＣＶＰＲ）．Ｓｅａｔｔｌｅ，ＷＡ，ＵＳＡ：ＩＥＥＥ，２０２０：４９３７－４９４６．［７］ＥＦＥＵ，ＩＮＣＥＫＧ，ＡＬＡＴＡＮＡＡ．ＤＦＭ：Ａｐｅｒｆｏｒｍａｎｃｅｂａｓｅｌｉｎｅｆｏｒｄｅｅｐｆｅａｔｕｒｅｍａｔｃｈｉｎｇ［Ｊ］．２０２１ＩＥＥＥ／ＣＶＦＣｏｎｆｅｒｅｎｃｅｏｎＣｏｍｐｕｔｅｒＶｉｓｉｏｎａｎｄＰａｔｔｅｒｎＲｅｃｏｇｎｉｔｉｏｎＷｏｒｋｓｈｏｐｓ（ＣＶＰＲＷ）．Ｎａｓｈｖｉｌｌｅ，ＴＮ，ＵＳＡ：ＩＥＥＥ，２０２１：４２７９－４２８８．［８］ＳＣＨＯＮＢＥＲＧＥＲＪＬ，ＨＡＲＤＭＥＩＥＲＨ，ＳＡＴＴＬＥＲＴ，ｅｔａｌ．Ｃｏｍｐａｒａｔｉｖｅｅｖａｌｕａｔｉｏｎｏｆｈａｎｄ－ｃｒａｆｔｅｄａｎｄｌｅａｒｎｅｄｌｏｃａｌｆｅａｔｕｒｅｓ［Ｃ］／／２０１７ＩＥＥＥＣｏｎｆｅｒｅｎｃｅｏｎＣｏｍｐｕｔｅｒＶｉｓｉｏｎａｎｄＰａｔｔｅｒｎＲｅｃｏｇｎｉｔｉｏｎ（ＣＶＰＲ）．Ｈｏｎｏｌｕｌｕ，ＨＩ：ＩＥＥＥ，２０１７：６９５９－６９６８．［９］ＺＨＡＮＧＨａｎ，ＮＩＷｅｉｐｉｎｇ，ＹＡＮＷｅｉｄｏｎｇ，ｅｔａｌ．Ｒｅｇｉｓｔｒａｔｉｏｎｏｆｍｕｌｔｉｍｏｄａｌｒｅｍｏｔｅｓｅｎｓｉｎｇｉｍａｇｅｂａｓｅｄｏｎｄｅｅｐｆｕｌｌｙｃｏｎｖｏｌｕｔｉｏｎａｌｎｅｕｒａｌｎｅｔｗｏｒｋ［Ｊ］．ＩＥＥＥＪｏｕｒｎａｌｏｆＳｅｌｅｃｔｅｄＴｏｐｉｃｓｉｎＡｐｐｌｉｅｄＥａｒｔｈＯｂｓｅｒｖａｔｉｏｎｓａｎｄＲｅｍｏｔｅＳｅｎｓｉｎｇ，２０１９，１２（８）：３０２８－３０４２．［１０］ＱＵＡＮＤｏｕ，ＷＡＮＧＳｈｕａｎｇ，ＧＵＹｕ，ｅｔａｌ．Ｄｅｅｐｆｅａｔｕｒｅｃｏｒｒｅｌａｔｉｏｎｌｅａｒｎｉｎｇｆｏｒｍｕｌｔｉ－ｍｏｄａｌｒｅｍｏｔｅｓｅｎｓｉｎｇｉｍａｇｅｒｅｇｉｓｔｒａｔｉｏｎ［Ｊ］．ＩＥＥＥＴｒａｎｓａｃｔｉｏｎｓｏｎＧｅｏｓｃｉｅｎｃｅａｎｄＲｅｍｏｔｅＳｅｎｓｉｎｇ，２０２２，６０：１－１６．［１１］ＶＡＳＷＡＮＩＡ，ＳＨＡＺＥＥＲＮ，ＰＡＲＭＡＲＮ，ｅｔａｌ．Ａｔｔｅｎｔｉｏｎｉｓａｌｌｙｏｕｎｅｅｄ［Ｃ］／／ＡｄｖａｎｃｅｓｉｎＮｅｕｒａｌＩｎｆｏｒｍａｔｉｏｎＰｒｏｃｅｓｓｉｎｇＳｙｓｔｅｍ．ＬｏｎｇＢｅａｃｈ：ＮＩＰＳＦｏｕｎｄａｔｉｏｎ，２０１７：５９９８－６００８．［１２］ＯＰＰＥＮＨＥＩＭＡＶ，ＬＩＭＪＳ．Ｔｈｅｉｍｐｏｒｔａｎｃｅｏｆｐｈａｓｅｉｎｓｉｇｎａｌｓ［Ｊ］．ＰｒｏｃｅｅｄｉｎｇｓｏｆｔｈｅＩＥＥＥ，１９８１，６９（５）：５２９－５４１．［１３］ＭＯＲＲＯＮＥＭＣ，ＯＷＥＮＳＲＡ．Ｆｅａｔｕｒｅｄｅｔｅｃｔｉｏｎｆｒｏｍｌｏｃａｌｅｎｅｒｇｙ［Ｊ］．ＰａｔｔｅｒｎＲｅｃｏｇｎｉｔｉｏｎＬｅｔｔｅｒｓ，１９８７，６（５）：３０３－３１３．［１４］ＫＯＶＥＳＩＰ．Ｉｍａｇｅｆｅａｔｕｒｅｓｆｒｏｍｐｈａｓｅｃｏｎｇｒｕｅｎｃｙ［Ｊ］．ＱｕａｒｔｅｒｌｙＪｏｕｒｎａｌ，１９９９，１（３）：１－２７．［１５］ＪＩＡＮＧＸｉｎｇｙｕ，ＭＡＪｉａｙｉ，ＸＩＡＯＧｕｏｂａｏ，ｅｔａｌ．Ａｒｅｖｉｅｗｏｆｍｕｌｔｉｍｏｄａｌｉｍａｇｅｍａｔｃｈｉｎｇ：Ｍｅｔｈｏｄｓａｎｄａｐｐｌｉｃａｔｉｏｎｓ［Ｊ］．ＩｎｆｏｒｍａｔｉｏｎＦｕｓｉｏｎ，２０２１，７３：２２－７１．［１６］姚永祥，张永军，万一，等．顾及各向异性加权力矩与绝对相位方向的异源影像匹配［Ｊ］．武汉大学学报（信息科学版），２０２１，４６（１１）：１７２７－１７３６．［１７］ＦＡＮＺｈｏｎｇｌｉ，ＬＩＵＹｕｘｉａｎ，ＬＩＵＹｕｘｕａｎ，ｅｔａｌ．３ＭＲＳ：Ａｎｅｆｆｅｃｔｉｖｅｃｏａｒｓｅ－ｔｏ－ｆｉｎｅｍａｔｃｈｉｎｇｍｅｔｈｏｄｆｏｒｍｕｌｔｉｍｏｄａｌｒｅｍｏｔｅｓｅｎｓｉｎｇｉｍａｇｅｒｙ［Ｊ］．ＲｅｍｏｔｅＳｅｎｓｉｎｇ，２０２２，１４（３）：４７８．［１８］ＱＵＡＮＤｏｕ，ＷＡＮＧＳｈｕａｎｇ，ＧＵＹｕ，ｅｔａｌ．Ｄｅｅｐｆｅａｔｕｒｅｃｏｒｒｅｌａｔｉｏｎｌｅａｒｎｉｎｇｆｏｒｍｕｌｔｉ－ｍｏｄａｌｒｅｍｏｔｅｓｅｎｓｉｎｇｉｍａｇｅｒｅｇｉｓｔｒａｔｉｏｎ［Ｊ］．ＴｒａｎｓａｃｔｉｏｎｓｏｎＧｅｏｓｃｉｅｎｃｅ＆ＲｅｍｏｔｅＳｅｎｓｉｎｇ，２０２２，６０：１－１６．（上接第１０６页）［４］茆训诚，崔百胜，王周伟．多元旋转自回归条件异方差模型的构建与应用研究 以九种人民币汇率波动为例［Ｊ］．上海经济研究，２０１４（０１）：７０－８２．［５］ＷＡＮＧＹＦ．Ｐｒｅｄｉｃｔｉｎｇｓｔｏｃｋｐｒｉｃｅｕｓｉｎｇｆｕｚｚｙｇｒｅｙｐｒｅｄｉｃｔｉｏｎｓｙｓｔｅｍ［Ｊ］．ＥｘｐｅｒｔＳｙｓｔｅｍｓＷｉｔｈＡｐｐｌｉｃａｔｉｏｎｓ，２００２，２２（１）：３３－３８．［６］ＪＩＬＡＮＩＴＡ，ＢＵＲＮＥＹＳＭＡ．Ａｒｅｆｉｎｅｄｆｕｚｚｙｔｉｍｅｓｅｒｉｅｓｍｏｄｅｌｆｏｒｓｔｏｃｋｍａｒｋｅｔｆｏｒｅｃａｓｔｉｎｇ［Ｊ］．ＰｈｙｓｉｃａＡ：ＳｔａｔｉｓｔｉｃａｌＭｅｃｈａｎｉｃｓａｎｄｉｔｓＡｐｐｌｉｃａｔｉｏｎｓ，２００８，３８７（１２）：２８５７－２８６２．［７］ＫＡＲＡＴＺＩＮＩＳＧＤ，ＢＯＵＴＡＬＩＳＹＳ．Ｆｕｚｚｙｃｏｇｎｉｔｉｖｅｎｅｔｗｏｒｋｓｗｉｔｈｆｕｎｃｔｉｏｎａｌｗｅｉｇｈｔｓｆｏｒｔｉｍｅｓｅｒｉｅｓａｎｄｐａｔｔｅｒｎｒｅｃｏｇｎｉｔｉｏｎａｐｐｌｉｃａｔｉｏｎｓ［Ｊ］．ＡｐｐｌｉｅｄＳｏｆｔＣｏｍｐｕｔｉｎｇＪｏｕｒｎａｌ，２０２１，１０６：１０７４１５．［８］ＦＥＮＧＧｕｏｌｉａｎｇ，ＺＨＡＮＧＬｉｙｏｎｇ，ＹＡＮＧＪｉａｎｈｕａ，ｅｔａｌ．Ｌｏｎｇ－ｔｅｒｍｐｒｅｄｉｃｔｉｏｎｏｆｔｉｍｅｓｅｒｉｅｓｕｓｉｎｇｆｕｚｚｙｃｏｇｎｉｔｉｖｅｍａｐｓ［Ｊ］．ＥｎｇｉｎｅｅｒｉｎｇＡｐｐｌｉｃａｔｉｏｎｓｏｆＡｒｔｉｆｉｃｉａｌＩｎｔｅｌｌｉｇｅｎｃｅ，２０２１，１０２：１０４２７４．［９］马楠，杨炳儒，邱正强，等．基于测度递进的模糊认知图及其应用［Ｊ］．计算机工程与设计，２０１２，３３（０５）：１９５８－１９６２．［１０］ＹＡＮＧＳｈａｎｃｈａｏ，ＬＩＵＪｉｎｇ．Ｔｉｍｅ－ｓｅｒｉｅｓｆｏｒｅｃａｓｔｉｎｇｂａｓｅｄｏｎｈｉｇｈ－ｏｒｄｅｒｆｕｚｚｙｃｏｇｎｉｔｉｖｅｍａｐｓａｎｄｗａｖｅｌｅｔｔｒａｎｓｆｏｒｍ［Ｊ］．ＩＥＥＥＴｒａｎｓａｃｔｉｏｎｓｏｎＦｕｚｚｙＳｙｓｔｅｍｓ，２０１８，２６（６）：３３９１－３４０２．［１１］ＬＩＵＺｏｎｇｄｏｎｇ，ＬＩＵＪｉｎｇ．Ａｒｏｂｕｓｔｔｉｍｅｓｅｒｉｅｓｐｒｅｄｉｃｔｉｏｎｍｅｔｈｏｄｂａｓｅｄｏｎｅｍｐｉｒｉｃａｌｍｏｄｅｄｅｃｏｍｐｏｓｉｔｉｏｎａｎｄｈｉｇｈ－ｏｒｄｅｒｆｕｚｚｙｃｏｇｎｉｔｉｖｅｍａｐｓ［Ｊ］．Ｋｎｏｗｌｅｄｇｅ－ＢａｓｅｄＳｙｓｔｅｍｓ，２０２０，２０３（ｐｒｅｐｕｂｌｉｓｈ）．［１２］ＨＵＡＮＧＹｕｓｈｅｎｇ，ＧＡＯＹｅｌｉｎ，ＧＡＮＹａｎ，ｅｔａｌ．Ａｎｅｗｆｉｎａｎｃｉａｌｄａｔａｆｏｒｅｃａｓｔｉｎｇｍｏｄｅｌｕｓｉｎｇｇｅｎｅｔｉｃａｌｇｏｒｉｔｈｍａｎｄｌｏｎｇｓｈｏｒｔ－ｔｅｒｍｍｅｍｏｒｙｎｅｔｗｏｒｋ［Ｊ］．Ｎｅｕｒｏｃｏｍｐｕｔｉｎｇ，２０２０（ｐｒｅｐｕｂｌｉｓｈ）．［１３］林春梅，何跃，汤兵勇，等．模糊认知图在股票市场预测中的应用研究［Ｊ］．计算机应用，２００６，２６（０１）：１９５－１９７，２０１．３１１第８期石添鑫，等：一种基于交叉注意力机制多模态遥感图像匹配网络。
模拟电路故障诊断的神经网络优化方法综述
理 论 的第 ３分 支 ， 其 主要 任务 是 已知 网络 的拓 扑 结 构， 根 据 输 入 的 激 励 信 号 以及 系 统 在 该 激 励 下 的 响 应， 求 解 出故 障元 件位 置 或 故 障参 数 。故 障诊 断 学 包 含 故 障检测 、 故 障辨识 、 故 障预测 和故 障可靠 性 分 析 ４ 个 方 面 。国 内外学 者从 １ ９ ５ ０年 开 始研 究 数 字 电 路故 障诊 断 ， 目前 该 技 术 已发 展 成 熟 ； 模 拟 电路 故 障诊 断
关键词
模拟 电路 ；故障诊 断 ；神经 网络 ；优化
Ｔ Ｎ ４ ３ 文献 标 识 码 Ａ 文章 编 号 １ ０ ０ ７— ７ ８ ２ ０ （ ２ ０ １ ４ ） ０ ２ —１ ３ ４— ０ ４
中 图分 类 号
Ｎｅ ｕｒ ａ ｌ Ｎｅ ｔ ｗｏ ｒ ｋ Ｏｐ ｔ ｉ ｍｉ ｚ ａ ｔ ｉ ｏ ｎ Ｍｅ ｔ ｈ ｏ ｄｓ ｆ ｏ ｒ Ａｎ ａ ｌ ｏ ｇ Ｃｉ ｒ ｃ ｕ ｉ ｔ Ｆａ ｕｌ ｔ Ｄｉ ａ ｇ ｎ ｏ ｓ ｉ ｓ
Ｃ ＵＩ Ｊ ｉ ｎ ｋ ｕ ｉ ， ＨＵ Ｇｕ ｏ ｂ ｉ ｎ ｇ ， ＹＵ Ｘｉ ｎ ｇ ａ ｎ ｇ
（ １ ． Ｉ ｎ ｓ ｔ ｉ ｔ ｕ ｔ ｅ ｏ ｆ Ｅ ｌ ｅ ｃ ｔ ｒ ｏ ｎ ｉ ｃ ａ ｎ ｄ Ｉ ｎ ｆ ｏ ｒ ｍ ａ ｔ ｉ ｏ ｎ ，Ｎ ａ ｎ ｊ ｉ ｎ ｇ Ｃ ｏ ｌ ｌ ｅ ｇ ｅ ｏ ｆ Ｉ ｎ ｆ ｏ ｒ ｍ ａ ｔ ｉ ｏ ｎ Ｔ ｅ ｃ ｈ ｎ ｏ ｌ ｏ ｇ ｙ ，Ｎ ａ ｎ ｊ ｉ ｎ ｇ ２ １ ０ ０ ２ ３ ，Ｃ ｈ ｉ ｎ ａ ；
Ｋｅ ｙ ｗｏ ｒ ｄｓ ａ ｎ ａ ｌ ｏ ｇ ｃ ｉ ｒ ｃ ｕ ｉ ｔ ；ｆ ａ ｕ ｌ ｔ ｄ ｉ ａ ｇ ｎ ｏ ｓ ｉ ｓ ； ｎｅ ｕ ｒ ａ ｌ ｎ ｅ ｔ ｗｏ ｒ ｋ； ｏ ｐ ｔ ｉ ｍｉ ｚ ｅ
两类神经网络的cmos模拟电路设计与分析
摘要神经网络是模拟人脑基本特性的智能系统，也是一门信息处理的科学。
神经网络具有自适应学习、非线性映射、分布并行处理等特点。
神经网络从单个神经元的模拟，到最终模拟大脑的信息处理功能。
神经网络应用非常广泛，目前主要运用于非线性系统、网络故障、航空航天、智能机器人等领域。
对于神经网络的研究主要分为三部分：理论研究、应用研究和实现技术研究。
而实现技术上，主要有两种实现方法：软件实现和硬件实现。
用软件实现神经网络，具有处理速度、并行程度低等缺点，这很难满足神经网络信息处理的实时性的要求。
用硬件实现神经网络能体现网络的快速性、并行计算，且能实现大规模的信号处理，这在复杂的数据处理场合中是非常有利的。
因此，硬件实现是神经网络发展的必然趋势。
硬件实现方法中，基于模拟CMOS电路实现神经网络电路具有结构简单、集成速度快、占用芯片面积小、集成度高、功耗低等特点，因此本文研究采用模拟CMOS集成电路设计神经网络。
神经网络模型中具有代表性的有：误差反向传播BP网络、径向基函数RBF 网络、自组织网络、感知器、反馈Hopfield网络、小脑模型CMAC网络、模糊神经网络等。
目前，已经用硬件实现了的神经网络有：BP网络、RBF网络、感知器等，而在其他的网络模型的硬件实现方案甚少。
基于研究神经网络的全面性，本文主要研究用模拟CMOS电路实现自组织竞争神经和模糊神经网络，围绕这两种神经网络，做了如下相关工作：（1）针对神经网络的神经元模型中权值不可调的缺点，设计了线性可调运算跨导放大器和电流乘法器电路作为突触电路，通过改变外部电流实现权值可调功能，且设计的电路结构简单，线性度高。
以此能作为基本单元应用于神经元电路中。
（2）基于自组织竞争神经网络中竞争层算法难以实现的问题，设计了一种电流模式的最值电路模拟实现竞争算法，通过比较电流的大小达到竞争目的。
该电路实现简单、模拟程度高、便于集成，与输入层结合能实现自组织竞争神经网络。
（3）针对模糊神经网络的单元电路结构复杂且精度低的问题，本文对高斯函数电路、求小电路、去模糊电路的结构进行优化设计，从整体上提高模糊神经网络的精度和高速性。
基于正交试验法和集成神经网络的模拟电路故障诊断方法
各种 信息 ， 以科 学 的 方 法对 数 量 庞 大 的 训 练样 本 进
缩 处 使 诊 断任务 分解 ， 用一个 子神 经 网络来 诊 断一 类故 障 ， 行 “ 水” 理 ， 之 能 够 以最 少 的训 练 样本 覆 盖 尽 即能 大大减少 训 练样 本 ， 能保证 一 又 因而各个 神经 网 络具 有 不 同 的 功 能 ， 采用 集 成 神 经 可能多 的故 障 ，
减 少 训 练 样 本 ， 时保 证 了故 障覆 盖 率 。经 算 例 证 明 ， 方 法 可 行 、 效 。 同 该 有
关 键词 ： 正交试验法 ； 集成神经网络； 模拟电路； 故障诊断 中图分 类号 ：Ｐ８ 文献标 志码 ： Ｔ １３ Ａ 文章 编号 ：０８ １４２０ １０ ００ ３ １０－ ９ （０８Ｓ－ ４－ １ ０ ０
ＳＵＮ — ａ ＹＡＮＧ ａ — ｏ ｇ， Ｙａ ｎ ｎ， Ｘｉｏ ｄ ｎ ＧＵ ＡＮ ｕ ｉ Ｓｈ ａ
（ ｖ ｕ ｍａｉｅＡｃｄ ｍｙ， ｎ ｄ ｏ ２ ６ ７ ， ｈ ｎ ） Ｎａ ｙＳ ｂ ｒ ａ ｅ ｎ Ｑｉｇ ａ ６ ０ １ Ｃ ｉａ Ａｂ ｔａ ｔ Ｗ ｅｏｔｎ ｍｅ ｔｈ ｇ ｔ ｌｂ ｏ ｒｂｅ ｅ ｓｎ ａ ｌ ｄａ ｎ ｓｓｆｒａ ａｏ ｉ ｕｔｂ ｎｅ ｒｔｄ ｓｒ ｃ ： ｆｅ ｅ ｕ ｅｓｙｅ ｏ ｋ ｐ ｏ ｌｍｓｗｈ ｎ ｕ ｉｇ ｆｕ ｔ ｉｇ ｏ ｉ ｏ ｎ ｌｇ ｃｒ ｉ ｙｉｔｇ ａｅ ｃ
Ｔｈｅ Ｍ ｅ ｈｏ ｆＦａ ｌ ａ ｎｏ ｉ ｏ ｔ ｄ ｏ ｕ ｔ Ｄｉ ｇ ｓ ｓ ｆ ｒ Ａｎａ ｏ ｒ ｕ ｔＢａ ｅ ｎ ｌ ｇ Ｃｉ ｃ ｉ ｓ ｄ ｏ
Ｃｒ ｓ ｉ ｐ ｒ ｍ ｅ ｔ ｔｏ ｅ ｈ ｄ ａ ｕ ａ ｔ ｒ ｏ ｓｎｇ Ｅｘ ｅ ｉ ｎ ａ ｉ ｎ Ｍ ｔ ｏ ｎｄ Ｎｅ ｒ ｌＮｅ ｗｏ ｋ
神经元网络仿真方法总结
神经元网络仿真方法总结1. 引言神经元网络仿真是指使用计算机模拟神经元的生物活动和信息传递过程，以研究和理解神经系统的功能和行为。
随着计算机技术的发展和神经科学的进步，神经元网络仿真在脑科学、人工智能和机器学习等领域起到了重要的作用。
本文将总结目前常用的神经元网络仿真方法，包括单个神经元仿真和整个神经网络仿真。
2. 单个神经元仿真单个神经元仿真主要研究神经元的电活动和膜电位等生理特性。
下面介绍几种常用的仿真方法。
2.1 Hodgkin-Huxley模型Hodgkin-Huxley模型是描述神经元膜电位变化的经典模型，它基于离子通道的动力学过程。
通过模拟神经元膜上的离子通道开闭状态，可以准确地模拟神经元的动作电位产生和传播过程。
2.2 莫斯曼-幕格尔模型莫斯曼-幕格尔模型是一种简化的神经元模型，通过几个基本参数来描述神经元的兴奋和抑制特性。
该模型被广泛应用于神经元元件级的仿真和电路设计，对于研究神经元的整体行为具有重要意义。
2.3 简化模型由于神经元结构复杂，单个神经元仿真的复杂度非常高。
为了降低计算复杂度，研究者们提出了许多简化模型，如LIF模型和IF模型。
这些模型基于不同的假设和逼近，能够在尽可能降低计算复杂度的同时，保持对神经元动作电位的合理模拟。
3. 整个神经网络仿真除了对单个神经元的仿真研究外，研究者们还致力于模拟整个神经网络。
以下介绍几种常用的方法。
3.1 网格化方法网格化方法是最基本的神经网络仿真方法，它将神经元和突触连接看作空间中的点和线，通过对神经元和突触状态的更新迭代，模拟神经网络的活动。
这种方法的优点是易于理解和实现，但在处理大规模和复杂网络时存在计算复杂度高的问题。
3.2 基于事件的方法基于事件的方法采用事件驱动的方式来模拟神经网络的活动，当某个神经元的膜电位超过阈值时，触发神经元间的突触传递动作电位，这种方法可以有效降低计算复杂度，尤其适用于处理大规模网络。
3.3 蒙特卡洛方法蒙特卡洛方法是一种随机仿真方法，它通过随机抽样和 Monte Carlo 模拟来模拟神经网络的行为。
基于组合优化BP神经网络的模拟电路故障诊断
误差信号 ， 此误差信号即作为修正各单元权值的依
收稿 日期 ： ２ ０ １ ２ － ０ ４ — １ ５ 基 金项 目： 国家 自然科学基金 （ ６ １ ０ ０ １ ０ ２ ３ 、 ６ １ １ ０ １ ０ ０ ４ ） 、 国家重点 基础研 究发展 计划 （ ９ ７ ３计 划 ） 、 航空科学基金 （ ２ ０ １ ０ Ｚ Ｄ ５ ３ ０ ３ ９ ） 与陕西省 自然科学基础研究计划 （ ２ ０ １ ０ Ｊ Ｑ ８ ０ ０ ５ ） 资助 作者简介 ： 郭 明阳（ １ ９ ７ ８ 一） ， 西北工业大学 副教授 ， 主要从事故障诊断 、 系统 可靠性设计 等的研究 。
第１ 期
郭 阳明等 ： 基于组合优化 Ｂ Ｐ神经 网络 的模拟 电路故 障诊 断
据 。这种信号正 向传播与误差反向传播 的各层权值 不断调整的过程 ， 就是 Ｂ Ｐ神经 网络 的学习训练过 程 。该 过程 一直 进行 到 网络输 出的误差 减少 到 可接
受 的程 度 ， 或预先 设 定 的学 习次数 为止 。 Ｂ Ｐ神 经 网络把 １组 样 本 的 Ｉ ／ Ｏ 问题 变 为 一 个
２ ０ １ ３年 ２月
西 北 工 业 大 学 学 报
Ｊ ｏ ｕ ｎａ ｒ ｌ ｏ ｆ Ｎｏ ｒ ｔ ｈ ｗｅ ｓ ｔ ｅ ｒ ｎ Ｐ ｏ ｌ ｙ ｔ ｅ ｃ ｈ ｎ ｉ ｃ ａ ｌ Ｕｎ ｉ ｖ ｅ ｒ ｓ ｉ ｔ ｙ
Ｆ ｅ ｂ ． ２ ０ １ ３ Ｖｏ １ ． ３ １ Ｎｏ ． １
神经 网络存 在 着 收敛 速 度 缓 慢 、 容 易 陷入 局 部 极 小 值、 难 以确定 隐层数 和 隐层节 点个 数 、 学 习结果对 初 始权 值 向量 敏感 等 不 足 Ｊ ， 影 响了 Ｂ Ｐ神 经 网络 在
人工神经网络在模拟电路故障诊断中的应用
系列成果 。 如基 于人工神经 网络或小 波包分解 的诊断 方法
等都 属于这一类 。
由于人工神经网络在处理非线性映射和容错方面的优
点， 使得其在模拟 电路 故 障诊断领 域 中的应 用越 来越 广泛 。
人工神经网络有很多种类型， 其中在模拟电路故障诊断方面
应用 比较多 的有 Ｂ Ｐ网络 、 Ｂ Ｒ Ｆ网络 和 自组织 网络 等。 自组织
（ 国防科技大学 自动控制系 ， 湖南 长沙 ４０７ ） １０３ 摘要 ： 容差和非线性特性使得模拟电路的故障诊断趋于复杂化 ， 针对这两个 问题 ， 几年来 ， 人们提 出了许多相关的诊断方法 。
但是 ， 迄今为止 ． 尚没有一种通用的 、 行之有效的方法 。 因此 ， 尝试将 自组织竞 争网络 引入 到模拟 电路的诊断过程 中， 提 出 并
ＡＢＳ ＴＲＡＣＴ： ｈ ｏｅａ ｃ ｎ ｏ ｌ ｅ ｒｔ ｎａ ａｏ ｉ ｕｔ ｋ ｓｆｕｔ ｉｇ ｏ ｉ ｉ ｉｕｔ ｎｏｄ ｒｔ ｏｖ Ｔ ｅｔｌｒｎ ｅａ ｄ ｎ ｎｉ ａｉ ｉ ｎ ｌｇｃｒ ｉ ｍａ ｅｉ ａ ｌ ｄ ａ ｎ ｓｓｄｆ ｃ ｌ．Ｉ ｒ ｅ ｏｓ ｌｅ ｎ ｙ ｃ ｓ ｔ ｆ
ｔ ｖ ｉ ｏ ｅ ａ ｃ ．Ａ ｄ ａ ｎ ｓｉ ｔ ｏ ａ ｅ ｎ ｃ ｍｐ ｔ ｉｅ ｌ ｙ ｒｉ ｐ ｅ ｅ ｔ ｄ ｏ ａ ｏ ｄ ｔ ｌ ｒ ｎ ｅ ｉｇ ｏ ｔｃ ｍｅ ｈ ｄ ｂ ｓ ｄ ｏ ｏ ｅｉ ｖ ａ ｅ ｒ ｓ ｎ ｅ ．Ａｔ ａ ｔ ｎ ｅ ａ ｌ ｒ ｓ ｎ ｅ ｔ ｓ ｓ ，ａ ｘ ｍｐ ｅ ｉ ｐ ｅ ｅ ｔ ｄ ｌ ｓ
ｔ Ｕ ｓｒｔ ｈ ｔｏ ． ｏｉ ｕ ｔａｅｔｅｍｅｈ ｄ ＫＥＹＷ ＯＲＤＳ： ｍｐ ｔ ｉｅｌｙ ｒ Ｃｏ ｅｉｖ ａ ｅ ；Ａｎ ｌｇ ｃｒ ｕｔ ；Ｔ ｌｒ ｎ ｅ；Ｆ ｕ ｄａ ｎ ｓｓ ｔ ａｏ ｉ ｉ ｃ ｓ ｏｅ ａ ｃ ａ ｈ ｉｇ ｏ ｉ
基于移民算子遗传BP神经网络的模拟电路故障诊断
OLjk = f ( netLjk )
( 2)
式中 f 代表该层的激活函数。
网络第 k个样本下误差平方和为:
# Ek =
1 2
i
( ti - YiK ) 2
( 3)
式中 ti为输出层第 i个神经元期望输 出, Y ik为 第 k 个样本下输出层第 i个神经元实际输出。网络均方
误差为:
# E
=
1 M
M
摘 要: 针对传统 BP 神经网络实现模拟电路故障诊断时存在的缺陷: 容易收敛于局部最优值 且训练时间 过长等, 提出了 利用遗传算法 ( GA )优化的 BP 神经网络来对模拟电路进行故障诊断的方法。实验结果证明, 优化后的 BP 网络可有效 地避免 收敛于局部最优值, 大大地缩短了训练时间。同时为了提高遗传 优化的收 敛速度和 精度, 避免 早熟 !现象 , 本 文提出 了一种 引入移民算子的遗传 算法, 仿真结果表明了该算法的有效性。
的染色体按某种方式相互交换部分基因, 从而形成 新的个体。本文采用的是算术交叉 [ 1] , 令父代染色 体为: X t = [ x1, x2, ∀, xn ], Y t = [ y1, y2, ∀, yn ]。则
两个子代染色体为: X t+ 1 = ∀Y t + ( 1- ∀) Xt, Y t+ 1 = ∀X t + ( 1- ∀) Y t。其中, ∀是一个由进化代数决定 的变量。
Ek
k= 1
( 4)
定义
L jk
=
nEektLjk为网络在训练第 k 个样本时第 L 层
第
j个节点的误差。则连接权值
W
L ij
误差梯度为:
Ek WLij
机器学习算法在模拟电路设计中的应用
案例二
总结词
支持向量机算法在模拟电路设计中主要用于 分类和识别电路特性，提高电路设计的准确 性。
详细描述
支持向量机算法是一种有监督学习算法，通 过训练样本学习分类规则，对电路特性进行 分类和识别。例如，在模拟滤波器设计中， 支持向量机算法可以用于识别不同频段的信 号，从而优化滤波器的设计，提高滤波器的 性能。
降低成本和提高资源利用率
机器学习算法能够处理各种不同的设计需 求和约束条件，使设计更具可扩展性和灵 活性。
通过机器学习算法，可以在更短的时间内 完成设计，降低研发成本，同时提高资源 利用率，减少不必要的浪费。
挑战
数据质量和标注问题
模拟电路设计过程中产生的数据量庞大且复杂，如何保证数据质量和 标注的准确性是一大挑战。
可解释性和可靠性
研究如何提高机器学习算法在模拟电 路设计中的可解释性和可靠性，以增 强设计的可靠性和可信度。
THANKS
感谢观看
04
机器学习算法在模拟电路设计 中的案例分析
案例一
总结词
线性回归算法在模拟电路设计中主要用 于预测和优化电路参数，提高电路性能 。
VS
详细描述
线性回归算法通过建立输入和输出之间的 线性关系，对电路参数进行预测和优化。 例如，在模拟放大器设计中，线性回归算 法可以用于预测放大器的增益和带宽，从 而优化电路元件的参数，提高放大器的性 能。
02
机器学习算法在模拟电路设计 中的应用
线性回归算法
总结词
线性回归算法是一种基于数学模型的机器学习算法，用于预测因变量与自变量之间的线性关系。
详细描述
在模拟电路设计中，线性回归算法可以用于预测电路性能参数，如功耗、延迟和噪声等。通过训练数据集，线性 回归模型可以找到影响电路性能的关键因素，并建立相应的数学模型，从而为电路设计提供优化建议。
电路中的机器学习技术利用机器学习算法优化电路性能
电路中的机器学习技术利用机器学习算法优化电路性能在现代科技发展的背景下，机器学习技术逐渐在各个领域得到应用，其中电路领域也不例外。
通过应用机器学习算法，我们可以优化电路性能，提高其效率和可靠性。
本文将着重介绍电路中的机器学习技术以及如何利用机器学习算法来优化电路性能。
一、机器学习技术在电路中的应用1. 非线性建模在传统的电路设计中，通常会采用线性模型进行分析和设计。
然而，现实中的电路往往具有复杂的非线性特性，这就需要我们采用更为准确的非线性模型来描述电路行为。
机器学习技术可以通过学习大量的电路数据，构建非线性模型，并基于该模型进行分析和优化。
2. 故障检测与诊断在电路运行过程中，故障的发生是不可避免的。
传统的故障诊断方法通常是基于专家经验和规则，但这种方式往往不够准确和高效。
机器学习技术可以通过学习电路的正常运行数据和故障数据，构建故障检测与诊断模型，实现对电路故障的准确识别和快速定位。
3. 优化设计传统的电路设计通常是基于经验和试错的方式，导致设计周期长、效率低。
机器学习技术可以通过学习大量的电路设计数据，建立设计模型，并基于该模型进行电路设计优化。
通过机器学习算法的迭代优化过程，可以在较短的时间内找到最佳的电路设计方案，提高设计效率和性能。
二、机器学习算法在电路性能优化中的应用1. 支持向量机（Support Vector Machine）支持向量机是一种常用的机器学习算法，可以用于回归和分类问题。
在电路性能优化中，支持向量机可以通过训练样本，找到最佳的分类超平面，实现对电路性能参数的优化。
通过调整支持向量机的参数，可以使电路的性能指标达到最优。
2. 神经网络（Neural Network）神经网络是一种模仿人脑神经系统的机器学习算法，可以用于解决复杂的非线性问题。
在电路性能优化中，神经网络可以通过训练样本，学习电路的非线性特性，并通过反向传播算法进行优化。
通过调整神经网络的结构和参数，可以使电路性能达到最佳。
人工智能技术在电路设计领域的应用
人工智能技术在电路设计领域的应用随着现代通信技术和互联网的快速发展，电子电路在现代社会中已经成为不可或缺的一部分。
电路设计领域的发展既离不开物理学、数学等学科的支持，也离不开现代化的技术手段。
在电路设计这个领域中，人工智能技术的应用能够大幅提升电路设计的准确性和效率。
本文将从神经网络和遗传算法两个方面探讨人工智能技术在电路设计领域的应用。
一、神经网络在电路设计中的应用神经网络是一种并行分布式信息处理的网络，它由众多相互连接的节点构成。
在电路设计领域，神经网络可以通过学习大量的电路设计数据，自动学习和优化电路组件之间的联系，从而预测电路设计中的各种参数。
在电路设计中，神经网络中的前馈神经网络（FFNN）也常常被用来代替传统的模型，来优化电路设计中的各种参数。
如果使用传统的模型来设计电路，需要数百个样本才能获得一个良好的模型。
但是，使用神经网络来进行电路设计，只需要几个样本就可以建立一个较好的模型。
这种方式可以大幅提升电路设计的效率。
例如，当设计一个电路时，需要对电路的耗能进行评估。
在传统的方法中，需要对耗能进行特定的计算，这需要专业的知识和丰富的经验。
但是神经网络可以通过学习一组已知的耗能参数，然后进行预测耗能的数值，从而减少了手动进行参数计算的时间和成本，提升了电路设计的效率。
此外，如果在电路设计中使用神经网络，也可以找出电路组件之间的相关性，并尝试从中找到更优秀的电路设计。
例如，在电路设计中，需要确定电路的电压和当前的流量。
使用传统的方法来确定这些参数，需要花费大量的时间和成本。
但是使用神经网络来预测这些参数，可以将大部分的时间和精力用于其他方面的电路设计，提升了电路设计的效率。
二、遗传算法在电路设计中的应用遗传算法是一种基于自然选择和基因变异的优化算法，它能够通过这两个过程，产生更好的解决方案。
在电路设计中，遗传算法能够通过自动变异，帮助设计人员找到更优秀的电路设计方案。
在电路设计中，需要将算法应用到电路的体积、转速、温度、寿命等参数中，以找到更优秀的电路设计方案。
- 1、下载文档前请自行甄别文档内容的完整性，平台不提供额外的编辑、内容补充、找答案等附加服务。
- 2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
- 3、如文档侵犯您的权益，请联系客服反馈,我们会尽快为您处理(人工客服工作时间：9:00-18:30)。
Ｃｈａ ａ ｔ ｒ ｓｉ ａ ｙ ｉ ｎ Ａｎ ｌ ｇ Ｃｉ ｃ ｉ ｓ ｄ ｏ ｕｒ ｌＮｅ ｗｏ ｋ ｒ ｃ ｅ ｉｔｃ Ａｎ ｌ ｓｓ ｉ ａ ｏ ｒ ｕ ｔＢａ ｅ ｎ Ｎｅ ａ ｔ ｒ ｗｉｈ Ｉ ｔ ｒ ｒ ｓ ｉｈ ｅ ｉ ｔ ｎ ｅ ｃ ｏ ｓＡｒ ｔ ｍ ｔｃ
Ａｂｓｒ ｃ ：Ｔｈ ｈ ｒ ｃｅ ｉｔｃ ａ ａｙ ｉ ｎ ａ ａｏ ｉｃ ｉ ｉ ｅ ｌｚ ｄ ｕ ｉ ｇ ｎ ｕ ａ ｅ ｗｏ ｋ ｍｅｈｏ ｔ ｎ ｅ ｃ ｏ ｓ ｔａ ｔ ｅ ｃ ａ ａ ｔ ｒｓｉ ｎ ｌ ｓｓｉ ｎ ｌ ｇ ｃｒ ｕ ｔ ｓｒ ａｉｅ ｓｎ ｅ ｒ ｌｎ ｔ ｒ ｔ ｄ ｗｉｈ ｉ ｔｒ ｒ ｓ ａ ｔ ｍｅｉ ｅ ｅ ｉ ｒ ｈ ｔ ｈ ｒ ．Ｔｈ ｕ ｅ ｖ ｓ ｄ ｌａ ｎ ｎ ｒｔ ｍｅｉ ｎ ｆ ｒ ｒ ￣ ｄ ａ ｋ ｎｅ ｒ ｌｎ ｔ ｒ ｓａｗａ ｓａ ｔｐ－ ｏ ｄｅ； ｃ ｅ ｓ ｐ ｒ ｉｅ ｅ ｒ ｉ ｇ ａ ｈ ｔｃ ｉ ｏ ｗａ ｄ ｆｅ ｂ ｃ ｕ ａ ｅｗｏ ｋ ｉ ｌ ｙ ｏ ｄ ｗｎ ｍｏ ｉ ｔ ｅ ｆ ｒ ａ ｄ ｆ ｅ ｂａ ｋ ｅ ｒ ｌ ｅｗｏ ｋ ｈ ｏ ｗ ｒ ｅ ｄ ｃ ｎ ｕ ａ ｎ ｔ ｒ ｗｉｈ ｉ ｇｅ ｉ ｅ ａ ｅ ｔｕ ｔ ｒ ｃ ｎ ａ Ｓ ｅ ｃ ｒｉ ｄ ｕ ｙ ｎ ｎ－ｕ ｅ ｉｅ ｔ ｓｎ ｌ ｈ ｄ ｌｙ ｒ ｓｒ ｃ ｕ ｅ ａ ｌＯ ｂ ａ ｒｅ ｏ ｔ ｂ ｏ ｓ ｐ ｒ ｓ ｄ ｖ ｌａ ｎｉｇ ａ ｉｈ ｔｃ；ｉ ｉ ｔｏ ｕ ｄ ．Ｔ ｒ ｉ ｉ ｔ ｏ ｆｔ ｅ ｎ ｕ ａ ｅ ｗｏ ｋ ｂ ｓ ｄ ｏ ｎ ｅ ｃ ｏ ｓａ ｔ ｍｅ ｅ ｒ ｎ ｒｔ ｍｅｉ ｔ ｓ ａｂｏｔ ｍ— ｐ ｍｏ ｅ ｈｅ ｔａｎ ｎｇｍｅｈ ｄ ｏ ｈ ｅ ｒ ｌｎ ｔ ｒ ａ ｅ ｎ ｉ ｔ ｒ ｒ ｓ ｒ ｈ － ｉ ｔ ｓｐ ｅ ｅ ｔ ｄ ｉ ｈｉ ａ ｅ ．Ｉ ｓ ａ ｌ ａ ｎ ｎ ｒ ｃ ｓ ｈａ ｏ ｉ ｅ ｏ ｓ ｐ ｒ ｉｅ ｅ ｒ ｉ ｇ ｗｉｈ ｂ ｔ ｍ— ｐ ｍｏ ｅ ｉ ｉ ｒ ｓ ｎ ｅ ｎ ｔ ｓｐ ｐ ｒ ｔｉ ｅ ｒ ｉ ｇ ｐ ｏ ｅ ｓ ｔ ｔｃ ｍｂ ｎ ｓｎ ｎ－ｕ ｅ ｓ ｄ ｌ ａ ｎ ｔ ｏｔ ｃ ｖ ｎ ｏ ｕ ｄ ａ ｈ ｕ ｒ ｉｅ ｅ ｒ ｉ ｔ ｏ ｄ ｗｎ ｍｏ ｅ ｔｇ ｔ ｅ ｆｅ ｔｖ ｌ ｔｂｒ ａ ｈ ｏ ｈ ａｌｋ ｎ ｆｌｍｉｓｏ ｌ ｓ ｉａ ｎｄ ｔ ｅ ｓ ｐｅ ｓ ｄ ｌａ ｎｇｗｉ ｔｐ－ ｏ ｄ ｏ ｅｈ ｒｅｆｃ ｉｅｙ；ｉ ｅ ｋｓｔ ｒｕｇ ｌ ｉ ｄｓｏ ｉ ｔ ｆｃａ ｓｃ ｌ ｖ ｎ ｈ ａ ｔ ｍｅｉ ｉ ｒｈ ｔ ｃ．Ａ ｈ ｒ ｃ ｅ ｓｉ ｎ ｌｓｓ ｉ ｕ ｔａ ｉｎ ｉ ｎ ｌ ｇ ｃ ｒ ｕｔｖ ｌｄ ｔ ｓｔ ｅ ｌ ａ ｎ ｎ ｒｔ ｍｅｉ ． ｃ ａ ａ ｔｒ ｔｃ ａ ａｙ ｉ ｌ ｓｒ ｔｏ ｎ ａ ａｏ ｉｃ ｉ ａｉ ａ ｅ ｈ ｅ ｒ ｉ ｇ ａ ｉｈ ｔｃ ｉ ｌ Ｋｅ ｙｗｏ ｄｓ ｆ ｒ ａ ｄ ｎｅ ｒ ｌｎ ｔ ｒ ｒ ：ｏ ｗ ｒ ｕ ａ ｅｗｏ ｋ，ｉ ｔｒ ｒ ｓ ｒｔ ｍｅ ｉ ｎ ｅ ｃ ｏ ｓａ ｉｈ ｔｃ，ａ ａｏ ｉｃ ｉ，ｃ ｒ ｃｅ ｓｉ ｎ ｌｓｓ ｎ ｌｇ ｃ ｒ ｕ ｔ ｈａ ａ ｔｒ ｔｃ ａ ａｙ ｉ． ｉ
Ｙ ａ ａ ｉｇ Ｃ ｅ ｕ ｎｊ Ｘ ｅＹ ｎ ｌ ｕ ｎＨ ｉ ｎ ｈ ｎＧ ａｇｕ ｙ ｉ ｏ ｇｅ
（ ｃ ｏｌ ｆ ｕ ｍａｏ ｎ ｉｅｒ ｇ Ｕ ｉ ｒｉ ｆ ｌｃ ｏ ｉ ＳｉｎｅａｄＴ ｃｎｌｇ ｆ ｈｎ ，Ｃ ｅ ｇｕ６０ ５ ｈｎ ） Ｓｈｏ ｏ ｔ ｔｎＥ ｇ ｅｉ ， ｎｖ ｓｙｏ Ｅｅｔ ｎｃ ｃｅｃ ｎ ｅｈｏｏｙｏ ｉａ ｈｎｄ １０ ４Ｃ ｉ Ａ ｏ ｉ ｎ ｎ ｅ ｔ ｒ Ｃ ａ
神 经 网络 的研 究 和 发展 涉及 生物 、 息 等众 多 信 学科 领 域 ， 有 分类 、 习 和 推 理 能力 ， 具有 较 强 具 学 并 的鲁 棒性 和 自适 应 能 力 ， 过 向环境 学 习 获取 知识 通 并改 进 自身 眭能 是神 经 网络 的一个 重 要特 点 。 当学 习系统 所处 环境 平稳 时 ， 理论 上 ， 通过 监督 学 习可 以 学 到环 境 的统计 特 性 并 作 为 经 验 被学 习 系统 记 住 ；
维普资讯
第２卷 １
第 ３期
电子测量 与仪器 学 报
Ｊ ＲＮ Ｌ ＯＦ Ｅ ＥＣＴ ＯＮＩ ＯＵ Ａ Ｌ Ｒ Ｃ
ＭＥＡｓ ＵＲＥＭＥＮＴ ＡＮＤ Байду номын сангаасＮｓ ＲＵＭＥＮＴ Ｉ Ｔ
Ｉ ２１ ｆ ．
Ⅳ０ ３ ．
２０ ０ ７年 ６月
・
５ ・
来 进行 ， 于交叉 算法 的复值神经 网络训 练方法 突破 以往算法 的各种局 限 ， 基 其学 习过程将从 下到上 的非监督 学习 和从 上到下 的监督学习相结合 ， 网络性能更优 。模拟 电路特性分析的仿真研究表 明该算法行 之有效 。
关键词 ： 馈神经 网络 ， 前 交叉算法 ， 拟电路 ， 模 特性分 析
基 于 交 叉 算 法 的神 经 网络模 拟 电路 特 性 分 析
袁海英 陈光耦 谢永乐
（ 电子科技大学 自动化工程学 院， 都 ６ ０ ５ ） 成 １０ ４
摘 要 ： 文利用基于交叉算法 的神经 网络训练方法对模拟 电路进行 性能分析 。前馈神经 网络 的监 督学 习通常 是一种 本
从 上到下 （ｏ—ｏ ｎ 的学 习模式 ， ｔｐｄｗ ） 具有单隐层结构 的前馈神 经网络也可采用从下 到上（ ｏｔ —ｐ 学习模式 的非监督学 习算法 ｂｔ ｍ ｕ ） ｏ