CN113985261A - 一种基于神经网络的模拟电路故障诊断方法 - Google Patents
一种基于神经网络的模拟电路故障诊断方法 Download PDFInfo
- Publication number
- CN113985261A CN113985261A CN202110767620.8A CN202110767620A CN113985261A CN 113985261 A CN113985261 A CN 113985261A CN 202110767620 A CN202110767620 A CN 202110767620A CN 113985261 A CN113985261 A CN 113985261A
- Authority
- CN
- China
- Prior art keywords
- neural network
- analog circuit
- network model
- voltages
- fault
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 30
- 238000003745 diagnosis Methods 0.000 title claims abstract description 24
- 238000013528 artificial neural network Methods 0.000 title claims abstract description 17
- 210000002569 neuron Anatomy 0.000 claims abstract description 42
- 238000003062 neural network model Methods 0.000 claims abstract description 41
- 238000012549 training Methods 0.000 claims abstract description 40
- 238000005070 sampling Methods 0.000 claims abstract description 29
- 238000005457 optimization Methods 0.000 claims abstract description 7
- 238000012545 processing Methods 0.000 claims description 7
- 238000001914 filtration Methods 0.000 claims description 4
- ORILYTVJVMAKLC-UHFFFAOYSA-N Adamantane Natural products C1C(C2)CC3CC1CC2C3 ORILYTVJVMAKLC-UHFFFAOYSA-N 0.000 claims description 3
- 230000003321 amplification Effects 0.000 claims description 3
- 238000004364 calculation method Methods 0.000 claims description 3
- 238000003199 nucleic acid amplification method Methods 0.000 claims description 3
- 230000006870 function Effects 0.000 description 5
- 230000005284 excitation Effects 0.000 description 3
- 238000012935 Averaging Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
- G01R31/00—Arrangements for testing electric properties; Arrangements for locating electric faults; Arrangements for electrical testing characterised by what is being tested not provided for elsewhere
- G01R31/28—Testing of electronic circuits, e.g. by signal tracer
- G01R31/316—Testing of analog circuits
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Computing Systems (AREA)
- Computational Linguistics (AREA)
- Biomedical Technology (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Biophysics (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Tests Of Electronic Circuits (AREA)
Abstract
本发明涉及模拟电路故障诊断技术领域,一种基于神经网络的模拟电路故障诊断方法,步骤S1:获取模拟电路在不同故障类型下的采样电压,步骤S2:构建以采样电压为输入,以故障类型为输出的训练库,步骤S3:根据所述输入层神经元数目、所述输出层神经元数目、所述隐含层神经元数目,构建神经网络模型;步骤S4:通过所述训练库对所述神经网络模型进行优化训练,步骤S5:将所述待预测电路的采样作为训练后的所述神经网络模型的输入量进行故障预测,获取所述待预测模拟电路的故障类型,本发明可以有效提高模拟电路故障诊断率,降低故障诊断误差。
Description
技术领域
本发明涉及模拟电路故障诊断技术领域,具体涉及一种基于神经网络的模拟电路故障诊断方法。
背景技术
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95%,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。
现阶段已经有一些发展的比较完善的模拟电路故障诊断理论应用到实际中了,例如通过建立神经网络,在对神经网络进行训练,通过训练后的神经网络来进行故障诊断,但采用神经网络的故障诊断法时,忽略了训练样本的优化处理,导致训练效果差,降低了诊断的精确性,因此,本发明设计了一种基于神经网络的模拟电路故障诊断方法。
发明内容
本发明目的在于提供一种基于神经网络的模拟电路故障诊断方法克服现有技术的不足;
为实现上述目的,本发明所采用的技术方案是:
一种基于神经网络的模拟电路故障诊断方法,包括以下步骤:
步骤S1:获取模拟电路在不同故障类型下的采样电压,其中,获取模拟电路在不同故障类型下的采样电压的方法为:将模拟电路内所有元件作为采样点,获取采样点两端的电压,对两端的电压进行处理得到采样电压,执行步骤S2;
步骤S2:构建以采样电压为输入,以故障类型为输出的训练库,执行步骤S3;
步骤S3:根据所述输入层神经元数目、所述输出层神经元数目、所述隐含层神经元数目,构建神经网络模型;其中,所述输入层神经元数目根据模拟电路元件数量,所述输出层神经元数目根据故障类型确定,所述故障类型包括多个元件故障、单一元件故障、无元件故障,且用1、2、3表示分别发生了相应的其中的某一类故障类型,所述隐藏层神经元数目根据输入层神经元数目和输出层神经元数目确定,执行步骤S4;
步骤S4:通过所述训练库对所述神经网络模型进行优化训练,并根据预设误差阈值和迭代次数验证所述神经网络模型的训练结果,执行步骤S5;
步骤S5:将所述待预测电路的采样作为训练后的所述神经网络模型的输入量进行故障预测,以获取所述待预测模拟电路的故障类型,完成故障诊断。
优选的,对两端的电压进行处理的方法具体为:将两端的电压进行滤波、放大、降噪处理后,求取两端电压的平均值得到采样电压。
优选的,采用ADAM算法进行神经网络优化训练。
优选的,根据预设误差阈值和迭代次数验证所述神经网络模型的训练结果的方法具体包括下列步骤:
步骤S101:初始化所述神经网络模型的预测误差阈值、迭代次数阈值,执行步骤S102;
步骤S102:当迭代次数等于迭代次数阈值时,获取此时神经网络模型的预测误差,执行步骤S103;
步骤S103:将所述预测误差与预测误差阈值进行对比,当所述预测误差不等于预测误差阈值时,执行步骤S104,当预测误差等于预测误差阈值时,执行步骤S104;
步骤S104:更新迭代阈值,其中,将步骤S101中的迭代次数阈值加1作为更新后的迭代次数阈值,执行步骤S102;
步骤S105:训练完成,输出已训练完成的神经网络模型。
优选的,基于误差函数获取预测误差,所述误差函数为:
式中,ω为误差函数,p为迭代采样电压至神经网络模型时神经网络模型对应输出的故障类型,q为迭代至神经网络模型时训练库中对应的故障类型,α为初始化时的迭代次数阈值,β为更新迭代次数。
优选的,步骤S3中,计算所述隐藏层神经元数目的计算公式具体为:
N=x+y
V=3
M=2(N-1)+V
式中,M为隐藏层神经元数目,N为输入层神经元数目,V为输出层神经元数目,N为模拟电路元件数目,x为模拟电路故障元件数目,y为模拟电路非故障元件数目。
本发明的有益效果为:
本发明设计了一种基于神经网络的模拟电路故障诊断方法,首先在不同故障类型下获取不同采集点两端的电压,并对两端的电压进行优化处理得到采集电压来构建训练库,并通过训练库中的数据对神经网络模型进行优化训练,从而降低了神经网络模型的故障诊断误差,在需要进行模拟电路故障诊断时,将待诊断模拟电路采样电压出入神经网络模型并有神经网络模型输出故障类型,本发明可以有效提高模拟电路故障诊断率,降低故障诊断误差。
附图说明
图1为本发明的整体流程图;
图2为本发明训练验证方法的流程图;
图3为本发明误差变化曲线的流程图。
具体实施方式
下面结合本发明的附图1~3,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施。
在本发明的描述中,需要理解的是,术语“逆时针”、“顺时针”“纵向”、“横向”、“上”、“下”、“前”、“后”、“左”、“右”、“竖直”、“水平”、“顶”、“底”、“内”、“外”等指示的方位或位置关系为基于附图所示的方位或位置关系,仅是为了便于描述本发明,而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作,因此不能理解为对本发明的限制。
一种基于神经网络的模拟电路故障诊断方法,包括以下步骤:
步骤S1:获取模拟电路在不同故障类型下的采样电压,其中,获取模拟电路在不同故障类型下的采样电压的方法为:将模拟电路内所有元件作为采样点,获取采样点两端的电压,对两端的电压进行处理得到采样电压,执行步骤S2;
值得说明的,对两端的电压进行处理的方法具体为:将两端的电压进行滤波、放大、降噪处理后,求取两端电压的平均值作为最终得到采样电压。
步骤S2:构建以采样电压为输入,以故障类型为输出的训练库,执行步骤S3;
预先设置不同的故障类型,向模拟电路输入预设的激励信号,并采集该激励信号下不同故障类型下的故障元件和非故障元件两端的电压,对该电压经过滤波、放大、降噪、分类、求取平均值等处理后得到采样电压,基于采样电压构建训练库,本发明通过对能够对构成训练库的训练样本进行优化处理,提高了训练库的可靠性,进而提高神经网络模型预测的准确性,减少误差。
例如:若模拟电路中非故障元件数为10,考虑故障元件数目为n=0、n=1、10≥n>1三种故障类型,考虑500Hz的激励情况作为模拟电路的初始输入,遍历所有“故障类型-激励”组合200次,并采集所有组合时的采样电压,得到故障类型-采样电压的样本组200组,以采样电压为输入,以故障类型为输出构建训练库。
步骤S3:根据所述输入层神经元数目、所述输出层神经元数目、所述隐含层神经元数目,构建神经网络模型;其中,所述输入层神经元数目根据模拟电路元件数量,所述输出层神经元数目根据故障类型确定,所述故障类型包括多个元件故障、单一元件故障、无元件故障,且用1、2、3表示分别发生了相应的其中的某一类故障类型,所述隐藏层神经元数目根据输入层神经元数目和输出层神经元数目确定,执行步骤S4;
值得说明的,步骤S3中,计算所述隐藏层神经元数目的计算公式具体为:
N=x+y
V=3
M=2(N-1)+V
式中,M为隐藏层神经元数目,N为输入层神经元数目,V为输出层神经元数目,N为模拟电路元件数目,x为模拟电路故障元件数目,y为模拟电路非故障元件数目。
例如,若模拟电路元件数目为10,非故障元件数目为7,故障元件数目为3,则输入层神经元数目为10,输出层神经元数目3,隐藏层神经元数目为7。
步骤S4:通过所述训练库对所述神经网络模型进行优化训练,并根据预设误差阈值和迭代次数验证所述神经网络模型的训练结果,执行步骤S5;
值得说明的,使用训练库对神经网络模型进行训练,采用ADAM算法进行神经网络模型优化训练,学习率设置为0.00001。
值得说明的,根据预设误差阈值和迭代次数验证所述神经网络模型的训练结果的方法具体包括下列步骤:
步骤S101:初始化所述神经网络模型的预测误差阈值、迭代次数阈值,执行步骤S102;
步骤S102:当迭代次数等于迭代次数阈值时,获取此时神经网络模型的预测误差,执行步骤S103;
步骤S103:将所述预测误差与预测误差阈值进行对比,当所述预测误差不等于预测误差阈值时,执行步骤S104,当预测误差等于预测误差阈值时,执行步骤S104;
步骤S104:更新迭代阈值,其中,将步骤S101中的迭代次数阈值加1作为更新后的迭代次数阈值,执行步骤S102;
步骤S105:训练完成,输出已训练完成的神经网络模型。
具体的,初始化的误差阈值为1%,迭代次数为100,更新迭代次数为22次,迭代过程中误差变化曲线如图3所示,通过更新迭代,减少了误差。
步骤S5:将所述待预测电路的采样电压作为训练后的神经网络模型的输入量进行故障预测,以获取所述待预测模拟电路的故障类型,完成故障诊断,当输出结果为1时,判断为无元件故障,当输出结果为2时,判断为单一元件故障,当输出结果为3时,判断为多元件故障。
具体的,基于误差函数获取预测误差,所述误差函数为:
式中,ω为误差函数,p为迭代采样电压至神经网络模型时神经网络模型对应输出的故障类型,q为每次迭代至神经网络模型时训练库中对应的故障类型,α为初始化时的迭代次数阈值,β为更新迭代次数。
综上所述,本发明设计了一种基于神经网络的模拟电路故障诊断方法,首先在不同故障类型下获取不同采集点两端的电压,并对两端的电压进行优化处理得到采集电压来构建训练库,并通过训练库中的数据对神经网络模型进行优化训练,从而降低了神经网络模型的故障诊断误差,在需要进行模拟电路故障诊断时,将待诊断模拟电路采样电压出入神经网络模型并有神经网络模型输出故障类型,从而实现形成了一整套快速、精准的模拟电路故障诊断方法,在模拟电路故障诊断方向上具有较大的应用价值。
Claims (7)
1.一种基于神经网络的模拟电路故障诊断方法,其特征在于,包括以下步骤:
步骤S1:获取模拟电路在不同故障类型下的采样电压,其中,获取模拟电路在不同故障类型下的采样电压的方法为:将模拟电路内所有元件作为采样点,获取采样点两端的电压,对两端的电压进行处理得到采样电压,执行步骤S2;
步骤S2:构建以采样电压为输入,以故障类型为输出的训练库,执行步骤S3;
步骤S3:根据所述输入层神经元数目、所述输出层神经元数目、所述隐含层神经元数目,构建神经网络模型;其中,所述输入层神经元数目根据模拟电路元件数量,所述输出层神经元数目根据故障类型确定,所述故障类型包括多个元件故障、单一元件故障、无元件故障,且用1、2、3表示分别发生了相应的其中的某一类故障类型,所述隐藏层神经元数目根据输入层神经元数目和输出层神经元数目确定,执行步骤S4;
步骤S4:通过所述训练库对所述神经网络模型进行优化训练,并根据预设误差阈值和迭代次数验证所述神经网络模型的训练结果,执行步骤S5;
步骤S5:将所述待预测电路的采样作为训练后的所述神经网络模型的输入量进行故障预测,以获取所述待预测模拟电路的故障类型,完成故障诊断。
2.根据权利要求1所述的一种基于神经网络的模拟电路故障诊断方法,其特征在于,对两端的电压进行处理的方法具体为:将两端的电压进行滤波、放大、降噪处理后,求取两端电压的平均值作为采样电压。
3.根据权利要求1所述的一种基于神经网络的模拟电路故障诊断方法,其特征在于,采用ADAM算法进行神经网络优化训练。
4.根据权利要求4所述的一种基于神经网络的模拟电路故障诊断方法,其特征在于,根据预设误差阈值和迭代次数验证所述神经网络模型的训练结果的方法具体包括下列步骤:
步骤S101:初始化所述神经网络模型的预测误差阈值、迭代次数阈值,执行步骤S102;
步骤S102:当迭代次数等于迭代次数阈值时,获取此时神经网络模型的预测误差,执行步骤S103;
步骤S103:判断预测误差是否等于预测误差阈值,若是,执行步骤S105,若否,执行步骤S104;
步骤S104:更新迭代次数阈值,将步骤S101中的迭代次数阈值加1作为更新后的迭代次数阈值,执行步骤S102;
步骤S105:训练完成,输出已训练完成的神经网络模型。
5.根据权利要求4所述的一种基于神经网络的模拟电路故障诊断方法,其特征在于,所述预测误差阈值为1%。
7.根据权利要求1所述的一种基于神经网络的模拟电路故障诊断方法,其特征在于,步骤S3中,计算所述隐藏层神经元数目的计算公式具体为:
N=x+y
V=3
M=2(N-1)+V
式中,M为隐藏层神经元数目,N为输入层神经元数目,V为输出层神经元数目,N为模拟电路元件数目,x为模拟电路故障元件数目,y为模拟电路非故障元件数目。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110767620.8A CN113985261A (zh) | 2021-07-07 | 2021-07-07 | 一种基于神经网络的模拟电路故障诊断方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110767620.8A CN113985261A (zh) | 2021-07-07 | 2021-07-07 | 一种基于神经网络的模拟电路故障诊断方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN113985261A true CN113985261A (zh) | 2022-01-28 |
Family
ID=79734993
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110767620.8A Pending CN113985261A (zh) | 2021-07-07 | 2021-07-07 | 一种基于神经网络的模拟电路故障诊断方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113985261A (zh) |
Citations (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPH0540157A (ja) * | 1991-08-07 | 1993-02-19 | Fujitsu Ltd | ニユーラルネツトを応用したアナログ電子回路の故障箇所指摘方式 |
CN101231673A (zh) * | 2008-02-02 | 2008-07-30 | 湖南大学 | 一种采用免疫蚂蚁算法优化的模拟电路故障诊断方法 |
CN101477172A (zh) * | 2009-02-18 | 2009-07-08 | 湖南大学 | 一种基于神经网络的模拟电路故障诊断方法 |
CN102636742A (zh) * | 2012-05-15 | 2012-08-15 | 长沙河野电气科技有限公司 | 基于小波神经网络的大规模模拟电路故障诊断方法 |
CN103824135A (zh) * | 2014-03-11 | 2014-05-28 | 合肥工业大学 | 一种模拟电路故障预测方法 |
US20170011290A1 (en) * | 2015-07-06 | 2017-01-12 | University Of Dayton | On-chip training of memristor crossbar neuromorphic processing systems |
CN107894564A (zh) * | 2017-11-09 | 2018-04-10 | 合肥工业大学 | 一种基于交叉小波特征的模拟电路故障诊断方法 |
CN107947738A (zh) * | 2017-12-11 | 2018-04-20 | 南京航空航天大学 | 一种太阳能无人机电池板电压的预测方法 |
CN108414923A (zh) * | 2018-02-05 | 2018-08-17 | 武汉大学 | 一种基于深度置信网络特征提取的模拟电路故障诊断方法 |
CN109145516A (zh) * | 2018-10-08 | 2019-01-04 | 电子科技大学 | 一种基于改进型极限学习机的模拟电路故障识别方法 |
CN109613395A (zh) * | 2018-12-03 | 2019-04-12 | 华中科技大学 | 一种基于ann的架空柔直电网故障检测方法 |
CN112685958A (zh) * | 2020-12-30 | 2021-04-20 | 西南交通大学 | 一种基于神经网络的SiC MOSFET阻断电压确定方法 |
CN112989734A (zh) * | 2021-02-25 | 2021-06-18 | 中国人民解放军海军航空大学 | 基于概率神经网络的装备模拟电路故障诊断方法 |
-
2021
- 2021-07-07 CN CN202110767620.8A patent/CN113985261A/zh active Pending
Patent Citations (14)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPH0540157A (ja) * | 1991-08-07 | 1993-02-19 | Fujitsu Ltd | ニユーラルネツトを応用したアナログ電子回路の故障箇所指摘方式 |
CN101231673A (zh) * | 2008-02-02 | 2008-07-30 | 湖南大学 | 一种采用免疫蚂蚁算法优化的模拟电路故障诊断方法 |
CN101477172A (zh) * | 2009-02-18 | 2009-07-08 | 湖南大学 | 一种基于神经网络的模拟电路故障诊断方法 |
CN102636742A (zh) * | 2012-05-15 | 2012-08-15 | 长沙河野电气科技有限公司 | 基于小波神经网络的大规模模拟电路故障诊断方法 |
CN103824135A (zh) * | 2014-03-11 | 2014-05-28 | 合肥工业大学 | 一种模拟电路故障预测方法 |
US20170011290A1 (en) * | 2015-07-06 | 2017-01-12 | University Of Dayton | On-chip training of memristor crossbar neuromorphic processing systems |
CN107894564A (zh) * | 2017-11-09 | 2018-04-10 | 合肥工业大学 | 一种基于交叉小波特征的模拟电路故障诊断方法 |
US20200394354A1 (en) * | 2017-11-09 | 2020-12-17 | Hefei University Of Technology | Method for diagnosing analog circuit fault based on cross wavelet features |
CN107947738A (zh) * | 2017-12-11 | 2018-04-20 | 南京航空航天大学 | 一种太阳能无人机电池板电压的预测方法 |
CN108414923A (zh) * | 2018-02-05 | 2018-08-17 | 武汉大学 | 一种基于深度置信网络特征提取的模拟电路故障诊断方法 |
CN109145516A (zh) * | 2018-10-08 | 2019-01-04 | 电子科技大学 | 一种基于改进型极限学习机的模拟电路故障识别方法 |
CN109613395A (zh) * | 2018-12-03 | 2019-04-12 | 华中科技大学 | 一种基于ann的架空柔直电网故障检测方法 |
CN112685958A (zh) * | 2020-12-30 | 2021-04-20 | 西南交通大学 | 一种基于神经网络的SiC MOSFET阻断电压确定方法 |
CN112989734A (zh) * | 2021-02-25 | 2021-06-18 | 中国人民解放军海军航空大学 | 基于概率神经网络的装备模拟电路故障诊断方法 |
Non-Patent Citations (1)
Title |
---|
史永刚等: "《化学计量学》", 31 January 2003, 中国石化出版社, pages: 272 * |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109116834B (zh) | 一种基于深度学习的间歇过程故障检测方法 | |
CN112116138A (zh) | 基于数据驱动的电力系统预测状态估计方法及系统 | |
CN102636742A (zh) | 基于小波神经网络的大规模模拟电路故障诊断方法 | |
CN113642754A (zh) | 一种基于rf降噪自编码信息重构和时间卷积网络的复杂工业过程故障预测方法 | |
CN110568358A (zh) | 一种基于马尔科夫模型电机系统可靠性定量评估方法 | |
CN110441669B (zh) | 不确定混杂电路系统的渐变故障诊断和寿命预测方法 | |
WO2023231374A1 (zh) | 机械设备半监督故障检测分析方法、装置、终端及介质 | |
CN113985261A (zh) | 一种基于神经网络的模拟电路故障诊断方法 | |
CN112861443A (zh) | 一种融入先验知识的深度学习故障诊断方法 | |
CN113341305A (zh) | 一种基于融合建模的模拟电路故障预测方法 | |
CN112505532A (zh) | 基于改进粒子群算法的模拟电路单故障诊断方法 | |
JP7344078B2 (ja) | 異常判定装置および異常判定方法 | |
CN112965894A (zh) | 一种基于上下文感知的缺陷定位方法 | |
CN110705114A (zh) | 一种无训练样本的通风故障诊断方法 | |
CN115360703A (zh) | 一种实用的配电网状态估计方法 | |
CN116167007A (zh) | 基于门控递归单元自编码神经网络的模拟电路检测方法 | |
CN111061708A (zh) | 一种基于lstm神经网络的电能量预测与修复方法 | |
CN112766503B (zh) | 基于关键层回滚机制的卷积神经网络模型容错方法 | |
CN110244563B (zh) | 一种神经网络内模控制器模型失配识别及在线更新方法 | |
Roelke et al. | Analytical models for the performance of von Neumann multiplexing | |
CN114355173A (zh) | 一种基于多输入残差网络的模拟滤波电路故障诊断方法 | |
CN114781577A (zh) | 基于VMD-DCNN-SVM的Buck电路故障诊断方法 | |
CN114114117A (zh) | 一种基于深度学习的磁共振波谱相位校正方法 | |
CN112287628A (zh) | 基于约束优化的模拟电路故障参数范围确定方法 | |
CN114236365B (zh) | 基于圆模型的sar adc电路测试优化方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination |