本站小編為你精心準備了電臺故障診斷模型研究參考范文，愿這些范文能點燃您思維的火花，激發您的寫作靈感。歡迎深入閱讀并收藏。

摘要：本文針對坦克通信裝備故障的特點，以實際需求為牽引，以某電臺作為具體研究對象，結合BP神經網絡理論構建故障診斷模型，并對模型進行故障診斷仿真測試，可為裝甲機械化部隊通信裝備故障快速精準定位、快速排除診斷實踐提供理論及應用支撐。

關鍵詞：神經網絡；電臺；故障診斷

0背景

坦克通信裝備作為我軍裝甲機械化部隊戰時的主要通信工具，通常安裝在坦克或裝甲車上，對于實現上級、下級及友鄰部隊間的指揮通信和協同通信起著關鍵作用[1]。坦克通信裝備故障具有復雜性、不確定性和傳播性的特點，傳統的靠人工經驗積累判斷通信裝備故障的模式已不能夠適應信息化戰場的需要。神經網絡應用技術手段模擬人腦神經網絡的結構和功能的，從微觀結構和功能上對人腦的一種抽象、簡化，模擬人類思維，反映了人腦功能的若干基本特征，具有很強的知識獲取能力、聯想記憶能力、并行計算能力、良好的容錯能力、自適應濾除噪聲能力等，神經網絡技術運用于通信裝備故障診斷，用來快速、準確定位故障，在軍事領域具有非常廣闊的應用前景。

1模型結構設計

基于神經網絡的電臺診斷模型網絡結構主要由三層組成：分別為輸入層、隱含層、輸出層，輸入層節點為故障現象，輸出層節點為故障原因。

2BP網絡的學習算法

BP網絡的學習過程可分為兩個階段，一是信息的正向傳遞；二是誤差的反傳播。

3仿真實驗

MATLAB平臺下BP網絡訓練仿真結果本文選擇采用單隱含層的三層BP網絡。輸入層至隱含層以及隱含層至輸出層的傳輸函數均選用非線性S型函數—signoid函數tansig。

3.1初始權值的選擇

網絡初始權值的選取是影響BP網絡收斂性和訓練時間的主要因素之一。由于傳遞函數的特殊性質，為了在S型傳遞函數梯度最大的地方調節神經元權值，初始權值應該在（-1，1）之間。

4結論

本文針對坦克通信設備故障診斷實際需求，構建了基于BP神經網絡的故障診斷模型。并比較了標準BP算法和改進型BP算法，MATLAB仿真結果表明，VLBP算法在收斂速度、網絡誤差等方面具有很大優勢，在故障診斷中具有較高的應用價值，能夠快速精確的對故障進行定位。

參考文獻：

[1]梁計春.TCR-99系列短波電臺工作原理與維修[M].北京：國防工業出版社，2009.

[2]楊軍，馮振聲，黃考利等.裝備智能故障診斷技術[M].北京：國防工業出版社，2004.

[3]王玲.復雜裝備故障智能診斷技術研究[D].沈陽師范大，2011.

[5]羅志勇.雷達系統智能故障診斷技術研究[D].西北工業大學，2006.

[6]王仲生.智能故障診斷與容錯控制[M].西安：西北工業大學出版社，2005.

作者：馬曉航 單位：61623部隊通信器材修理所