本文關鍵詞： 支持向量機 改進粒子群算法 模擬電路 故障診斷　出處：《電子測量與儀器學報》2017年08期 　論文類型：期刊論文

【摘要】：針對粒子群(PSO)算法優(yōu)化支持向量機(SVM)參數(shù)存在容易陷入局部最優(yōu)的問題,通過引入新的動態(tài)慣性權(quán)重、全局鄰域搜索、收縮因子和遺傳算法中的變異操作,提出了一種基于改進粒子群(IPSO)算法優(yōu)化SVM參數(shù)(IPSO-SVM)的改進型分類器。采用UCI機器學習庫中的公共數(shù)據(jù)集Iris、Wine和seeds來測試其分類效果,結(jié)果表明IPSO-SVM分類器在分類準確率和分類時間上優(yōu)于GS-SVM、AFSA-SVM、GA-SVM和PSO-SVM分類器。最后,將IPSO-SVM分類器應用于Sallen-Key帶通濾波器、四運放雙二次高通濾波器及非線性整流電路的故障診斷中,結(jié)果表明IPSO-SVM分類器具有較強的全局收斂能力和較快的收斂速度。
[Abstract]:In order to solve the problem that the parameters of support vector machine (SVM) optimization based on particle swarm optimization (PSO) algorithm are easy to fall into local optimum, new dynamic inertia weight, global neighborhood search, shrinkage factor and mutation operation in genetic algorithm are introduced. An improved classifier based on improved particle swarm optimization (PSO) algorithm is proposed to optimize the SVM parameters (IPSO-SVM). Iris Wine and seeds, a common data set in the UCI machine learning database, are used to test the classification effect. The results show that IPSO-SVM classifier is superior to GS-SVMU AFSA-SVMU GA-SVM and PSO-SVM classifier in classification accuracy and classification time. Finally, the IPSO-SVM classifier is applied to the fault diagnosis of Sallen-Key bandpass filter, four-op amplifier double-quadratic high-pass filter and nonlinear rectifier circuit. The results show that the IPSO-SVM classifier has strong global convergence ability and faster convergence speed.
【作者單位】： 合肥工業(yè)大學電氣與自動化工程學院;
【基金】：國家自然科學基金(51577046,11105037);國家自然科學基金重點項目(51637004) 安徽省科技計劃重點項目(1301022036) 國際熱核聚變實驗堆(ITER)計劃專項(2015GB102000) 教育部科學技術(shù)研究重大項目(313018)資助
【分類號】：TN710;TP18

【相似文獻】

相關期刊論文 前10條

1 許春曉,孫德寶,李寧,鄒彤;一種基于粒子群算法的紅外運動小目標檢測算法[J];紅外技術(shù);2004年05期

2 童紅蘭;葉寶江;;自適應粒子群算法在微波電路中應用[J];中國科技信息;2012年07期

3 何怡剛;祝文姬;周炎濤;劉美容;;基于粒子群算法的模擬電路故障診斷方法[J];電工技術(shù)學報;2010年06期

4 馬天才;陳淑靜;;基于修補粒子群算法的紅外目標跟蹤[J];應用光學;2010年05期

5 秋小強;楊海鋼;周發(fā)標;謝元祿;;長互連鏈延時功耗建模與基于混合粒子群算法的優(yōu)化[J];電子與信息學報;2011年06期

6 李厚儒;南敬昌;;擬牛頓粒子群算法在非線性電路諧波平衡方程中的應用[J];計算機應用與軟件;2013年02期

7 陳日林;周昌國;滕鵬曉;楊亦春;;改進粒子群算法的立體傳聲器陣列聲成像系統(tǒng)陣形優(yōu)化設計[J];聲學學報;2013年05期

8 石振剛;高立群;王曉燕;劉洋;;基于粒子群算法的模糊濾波器優(yōu)化方法[J];沈陽理工大學學報;2007年01期

9 王濤;俞承芳;;一種改進的粒子群算法在PCB板元件檢測中的應用[J];微電子學與計算機;2007年12期

10 楊春玲;王(目柬)來;朱敏;;采用改進的粒子群算法訓練CNNE模型[J];智能系統(tǒng)學報;2007年03期

相關會議論文 前1條

1 黃玉玲;許川佩;陳于倩;顏曉鳳;;改進粒子群算法的NoC映射研究[A];2010中國儀器儀表與測控技術(shù)大會論文集[C];2010年

相關博士學位論文 前1條

1 蔣榮華;基于粒子群算法的電子系統(tǒng)可測性研究[D];電子科技大學;2009年

相關碩士學位論文 前6條

1 葉秋菊;粒子群算法研究及在NoC低功耗映射中的應用[D];西安電子科技大學;2014年

2 胡鑫楠;基于粒子群算法的非遞歸數(shù)字濾波器設計研究[D];上海工程技術(shù)大學;2016年

3 仲帥;基于改進粒子群算法的數(shù)字濾波器設計及應用[D];吉林大學;2016年

4 劉洋;基于粒子群算法的NoC映射問題研究[D];大連理工大學;2010年

5 曹穎;基于粒子群算法的模擬電路故障診斷[D];長春理工大學;2014年

6 劉奇;基于混合粒子群算法的ZnO鍍膜光纖傳感器的參數(shù)優(yōu)化[D];南昌航空大學;2010年

，

本文編號：1507948