本文選題：模擬電路 + 故障診斷��； 參考：《南京郵電大學(xué)》2017年碩士論文

【摘要】：隨著科學(xué)技術(shù)的發(fā)展,電子電路取得了長足的發(fā)展,各式各樣的電子設(shè)備給人們的日常生活帶來極大的便利。一旦模擬電路發(fā)生故障,整個電路的性能會發(fā)生嚴(yán)重的畸變,甚至?xí)䦷須缧詾?zāi)難。對模擬電路進(jìn)行故障診斷與預(yù)防,是保證整個電子電路系統(tǒng)正常運(yùn)行的關(guān)鍵,對于改善電子設(shè)備性能意義重大。本文從測試點(diǎn)提優(yōu)、最優(yōu)特征子集提取、故障模式分類三個方面對模擬電路診斷技術(shù)進(jìn)行優(yōu)化,具體如下:(1)修正灰色關(guān)聯(lián)分析的測試點(diǎn)選擇模型由于實(shí)際可供提取的模擬電路故障樣本數(shù)量有限,反映的故障信息不夠豐富,模擬電路具有灰色系統(tǒng)的特征,可以將模擬電路系統(tǒng)看成灰色系統(tǒng)。本文在闡述灰色關(guān)聯(lián)分析模型的基礎(chǔ)上,分析該模型的不足并對其進(jìn)行改進(jìn),以灰色熵作為衡量不同測試點(diǎn)敏感度的標(biāo)準(zhǔn),提出一種修正灰色關(guān)聯(lián)分析的故障測試點(diǎn)選擇技術(shù)。(2)平衡權(quán)重因子的mRMR原則最優(yōu)故障特征選擇模型本文對Wiener級數(shù)的理論知識進(jìn)行闡述,給出優(yōu)化低階Wiener核計算量的方式,給出基于Wiener核的特征提取技術(shù)。其次,介紹信息學(xué)中mRMR原則,提出其不足并進(jìn)行改進(jìn)。最后,構(gòu)建平衡權(quán)重因子的mRMR原則模擬電路故障特征選擇模型。(3)自適應(yīng)梯度算法的組合核SVDD故障分類模型該分類模型選用高斯核函數(shù)與多項式核函數(shù)的組合最作為SVDD核函數(shù),新的核函數(shù)具有較好的泛化能力和分類精度。在尋找組合核函數(shù)的權(quán)重系數(shù)的過程中,利用改進(jìn)梯度算法,解決梯度下降算法在極值點(diǎn)處局部最小化問題。
[Abstract]:With the development of science and technology, electronic circuits have made great progress. Once the analog circuit fails, the performance of the whole circuit will be seriously distorted and even bring about disaster. Fault diagnosis and prevention of analog circuits is the key to ensure the normal operation of the whole electronic circuit system, and it is of great significance to improve the performance of electronic equipment. This paper optimizes the analog circuit diagnosis technology from three aspects: test point optimization, optimal feature subset extraction and fault mode classification. The test point selection model of the modified grey correlation analysis is not rich enough because of the limited number of fault samples that can be extracted from the analog circuit, and the analog circuit has the characteristics of grey system. The analog circuit system can be regarded as a grey system. On the basis of describing the grey relation analysis model, this paper analyzes the deficiency of the model and improves it. The grey entropy is used as the criterion to measure the sensitivity of different test points. This paper presents an optimal fault feature selection model based on the mRMR principle, which modifies the fault test point selection technique of grey relational analysis. The optimal fault feature selection model is based on the theory of Wiener series, and the way to optimize the computation of low order Wiener kernel is given. A feature extraction technique based on Wiener kernel is presented. Secondly, introduce the principle of mRMR in informatics, put forward its deficiency and improve it. Finally, the mRMR principle of balance weight factor is constructed to simulate the fault feature selection model of circuits. (3) the combined kernel SVDD fault classification model of adaptive gradient algorithm. The classification model selects the combination of Gao Si kernel function and polynomial kernel function as SVDD kernel function. The new kernel functions have better generalization ability and classification accuracy. In the process of searching for the weight coefficient of the combined kernel function, an improved gradient algorithm is used to solve the local minimization problem at the extremum of the gradient descent algorithm.
【學(xué)位授予單位】：南京郵電大學(xué)
【學(xué)位級別】：碩士
【學(xué)位授予年份】：2017
【分類號】：TN710

【參考文獻(xiàn)】

相關(guān)期刊論文 前10條

1 黃鈔;;模擬電路軟故障診斷的研究[J];電子世界;2017年02期

2 逄健;劉佳;;摩爾定律發(fā)展述評[J];科技管理研究;2015年15期

3 李凌均;鞏曉峗;張恒;韓捷;;基于全矢譜和動態(tài)支持向量數(shù)據(jù)描述的滾動軸承故障診斷研究[J];機(jī)械強(qiáng)度;2013年02期

4 孫健;王成華;;基于mRMR原則和優(yōu)化SVM的模擬電路故障診斷[J];儀器儀表學(xué)報;2013年01期

5 羅慧;王友仁;;基于GSM_SVDD的模擬電路故障診斷方法[J];電機(jī)與控制學(xué)報;2013年01期

6 叢華;謝金良;張麗霞;馮輔周;;基于GA-SVDD的軸承性能退化評估[J];裝甲兵工程學(xué)院學(xué)報;2012年01期

7 龍婷;王厚軍;龍兵;;基于SVM的模擬測試生成的改進(jìn)算法[J];系統(tǒng)工程與電子技術(shù);2011年06期

8 吳莎;高永生;謝文強(qiáng);;Volterra核函數(shù)在齒輪裂紋故障識別上的應(yīng)用[J];河北科技大學(xué)學(xué)報;2010年06期

9 左磊;侯立剛;張旺;旺金輝;吳武臣;;基于粒子群-支持向量機(jī)的模擬電路故障診斷[J];系統(tǒng)工程與電子技術(shù);2010年07期

10 彭敏晶;肖健華;;動態(tài)SVDD算法及其應(yīng)用[J];計算機(jī)科學(xué);2009年03期

相關(guān)博士學(xué)位論文 前1條

1 程長明;基于Volterra級數(shù)的非線性系統(tǒng)辨識及其應(yīng)用研究[D];上海交通大學(xué);2015年

相關(guān)碩士學(xué)位論文 前2條

1 胡金炎;最大長序列對生理系統(tǒng)非線性成分混疊問題的影響[D];南方醫(yī)科大學(xué);2015年

2 張宇飛;模擬電路多軟故障特征的智能優(yōu)化提取方法研究[D];哈爾濱理工大學(xué);2014年

，

本文編號：1847971