本文關鍵詞：基于支持向量機的模擬電路故障診斷研究

  更多相關文章： 支持向量機 模擬電路故障診斷 特征提取 分形維數(shù) 集成學習 兩重擾動機制

【摘要】：現(xiàn)代電子和計算機技術的迅猛發(fā)展使得電子設備的組成和結構越來越復雜,規(guī)模越來越龐大,為了提高系統(tǒng)的安全性和可靠性,對電路測試提出了更高、更新的要求。電子系統(tǒng)中容易出問題的部分往往在模擬電路,另外模擬電路的測試也一直是制約我國集成電路工業(yè)的“瓶頸”。順應當代微電子技術和信息技術的新發(fā)展,開展模擬電路測試和診斷方法的研究不僅在學術上而且對我國集成電路工業(yè)發(fā)展都具有重要的理論價值和現(xiàn)實意義。 目前模擬電路故障智能診斷面臨的主要難題是典型故障樣本的嚴重不足以及診斷知識的發(fā)現(xiàn)問題;基于統(tǒng)計學習理論的支持向量機(SVM)機器學習算法很好地執(zhí)行了結構風險最小化原則,其應用于故障診斷最大的優(yōu)勢在于它適合于小樣本決策,能在有限特征信息情況下,最大限度地發(fā)掘數(shù)據(jù)中隱含的分類知識。本文將支持向量機與模擬電路故障理論診斷相結合,開展了基于SVM的模擬電路故障診斷方法的研究和實現(xiàn)。 模擬電路故障診斷本質上是一多狀態(tài)的模式分類問題,而傳統(tǒng)支持向量機分類器是針對二分類問題的。在常用的三種多類推廣模型中,本文采用了決策有向無環(huán)圖的多值分類算法,建立了多故障SVM分類器模型,并對其核函數(shù)選擇和核參數(shù)確定方法進行了研究�；谠撃Ｐ�,給出了支持向量機用于模擬電路故障診斷的基本思想和實現(xiàn)步驟。在模擬電路故障特征提取技術上,將響應信號有效采樣點的電壓幅值作為故障特征樣本的同時,利用小波包分解提取各頻段能量的方法提取信號的故障特征作為故障樣本,形成了基于有效采樣點和SVM多分類器、基于小波包分解和SVM多分類器兩種模擬電路故障診斷方法。 借鑒機械設備的分形診斷原理,分形維數(shù)能夠反映模擬電路的狀態(tài)�；诖�,本文研究了基于分形理論與SVM的模擬電路故障診斷方法:計算電路響應信號的二進分形網(wǎng)格維數(shù)作為故障特征,將基于不同采樣周期對應的分形網(wǎng)格維數(shù)為故障特征向量,構建SVM多分類器進行訓練和診斷。 Volterra級數(shù)模型不依賴系統(tǒng)輸入即可充分描述非線性系統(tǒng)的本質特性,可將系統(tǒng)唯一的Volterra頻域核作為系統(tǒng)特征進行故障診斷。本文應用Volterra級數(shù)理論對非線性模擬電路的頻率響應特性進行分析,討論了非線性電路故障診斷中計算Volterra頻域核的特征提取方法,在此基礎上基于SVM多分類器對非線性電路的工作模態(tài)加以分類,實現(xiàn)故障診斷。 SVM本身具有的幾個缺點,降低了SVM的穩(wěn)定性和泛化能力,集成學習可顯著提高學習系統(tǒng)的泛化能力。因此,本文進行了SVM集成技術的研究:通過分析支持向量機的兩重擾動機理(擾動特征空間和模型參數(shù)),在傳統(tǒng)Bagging算法的基礎上,結合Logistic映射的隨機性和遍歷性在參數(shù)選擇中的利用,提出了兩種結合二重擾動機制和Logistic映射的SVM集成算法——RAB-SVM算法和2D-RBaggingSVM算法,最后將兩種SVM集成算法應用于模擬電路故障診斷。 將上述的基于支持向量機的故障診斷方法分別應用于一些具體電路的仿真實驗研究,實驗結果表明這些方法能較好地分析模擬電路的故障響應,較準確地完成模擬電路的故障診斷,具有良好的可行性。
【關鍵詞】：支持向量機 模擬電路故障診斷 特征提取 分形維數(shù) 集成學習 兩重擾動機制
【學位授予單位】：華中科技大學
【學位級別】：博士
【學位授予年份】：2009
【分類號】：TN710;TP18
【目錄】：

• 摘要4-6
• ABSTRACT6-12
• 1 緒論12-27
• 1.1 課題研究的背景和意義12-13
• 1.2 模擬電路故障診斷的國內(nèi)外研究概況13-19
• 1.3 支持向量機在故障診斷中的研究19-23
• 1.4 論文研究內(nèi)容、目標和結構安排23-27
• 2 支持向量機及模擬電路故障診斷概述27-46
• 2.1 統(tǒng)計學習理論27-29
• 2.2 支持向量機概述29-34
• 2.3 基于SVM的模擬電路故障診斷概述34-36
• 2.4 模擬電路故障特征提取技術36-45
• 2.5 本章小結45-46
• 3 模擬電路故障診斷中SVM多分類器模型構造及其應用46-65
• 3.1 SVM多分類器拓撲結構確定46-51
• 3.2 SVM的核函數(shù)選擇51-53
• 3.3 SVM的核函數(shù)參數(shù)確定53-56
• 3.4 SVM訓練和識別過程56-57
• 3.5 基于支持向量機的模擬電路故障診斷實例57-64
• 3.6 本章小結64-65
• 4 基于分形理論和SVM的模擬電路故障診斷65-82
• 4.1 分形原理簡介65-69
• 4.2 網(wǎng)格維數(shù)的計算分析69-72
• 4.3 基于分形理論的模擬電路故障診斷72-81
• 4.4 本章小結81-82
• 5 基于Volterra級數(shù)和SVM的非線性電路故障診斷82-97
• 5.1 非線性電路及故障診斷82-84
• 5.2 Volterra級數(shù)簡介84-87
• 5.3 非線性電路的Volterra頻域核計算87-91
• 5.4 基于Volterra頻域核和SVM的故障診斷91-96
• 5.5 本章小結96-97
• 6 SVM集成技術及其在模擬電路故障診斷中的應用97-115
• 6.1 分類器集成學習概述97-98
• 6.2 成員分類器98-101
• 6.3 支持向量機集成101-104
• 6.4 基于兩種擾動機制和Logistic映射的SVM集成算法104-111
• 6.5 基于支持向量機集成的模擬電路故障診斷實驗111-114
• 6.6 本章小結114-115
• 7 總結與展望115-118
• 7.1 全文總結115-116
• 7.2 本文主要創(chuàng)新點116
• 7.3 展望116-118
• 致謝118-119
• 參考文獻119-131
• 附錄 攻讀學位期間發(fā)表論文和參加的科研項目131-132
• 公開發(fā)表論文與學位論文對應關系132

【引證文獻】

中國期刊全文數(shù)據(jù)庫 前4條

1 李飛;韓海濤;鄭耿樂;;基于輸出頻譜和支持向量機的模擬電路故障診斷方法[J];電子設計工程;2011年14期

2 韓海濤;馬紅光;曹建福;張家良;;基于非線性頻譜特征及核主元分析的模擬電路故障診斷方法[J];電工技術學報;2012年08期

3 溫國強;文妍;譚繼文;;基于平均影響值與SVM的滾珠絲杠故障診斷技術[J];機床與液壓;2014年03期

4 焦鵬;王新政;謝鵬遠;;基于粒子群優(yōu)化LSSVM的模擬電路故障診斷方法[J];現(xiàn)代電子技術;2013年08期

中國博士學位論文全文數(shù)據(jù)庫 前3條

1 崔江;基于支持向量機的模擬電子電路故障分類技術研究[D];南京航空航天大學;2010年

2 盧華瑋;面向可信計算的分布式故障檢測系統(tǒng)研究[D];重慶大學;2012年

3 張曉麗;光纖結構健康監(jiān)測系統(tǒng)及其傳感器網(wǎng)絡可靠性研究[D];南京航空航天大學;2012年

中國碩士學位論文全文數(shù)據(jù)庫 前8條

1 張慶鍇;模擬電路故障診斷方法及其應用研究[D];大連理工大學;2011年

2 吳明巖;基于信息融合的模擬電路故障診斷研究[D];大連理工大學;2011年

3 李愛琴;基于支持向量機的模擬電路故障診斷方法研究[D];南京理工大學;2011年

4 肖玉飛;基于小波包熵與支持向量機的模擬電路故障診斷[D];湖南科技大學;2012年

5 周江Z，

本文編號：989718