模擬電路故障診斷的特征提取及支持向量機集成方法研究.pdf

1、電子科技大學博士學位論文模擬電路故障診斷的特征提取及支持向量機集成方法研究姓名：唐靜遠申請學位級別：博士專業(yè)：測試計量技術(shù)及儀器指導教師：師奕兵20100618摘要行比較，實驗結(jié)果表明基于多重分形特征的故障診斷方法獲得更高的故障診斷率。其中，△口=‰一‰，v=l廠(‰)一廠(％。)I，口是奇異性指數(shù)，廠是奇異譜函數(shù)。(3)基于特征選擇和SVM參數(shù)優(yōu)化的模擬電路故障診斷方法研究。在實際的故障診斷中，采集的故障數(shù)據(jù)往往包含很多與故障信息不相

2、關(guān)或冗余的變量，嚴重影響SVM的分類性能，同時過多的變量也增加了計算代價，導致實時性變差；SVM參數(shù)選擇合適與否也會嚴重影響分類的效果。本文提出了用混合粒子群優(yōu)化算法和交叉熵方法解決模擬電路故障診斷中的特征選擇和SVM參數(shù)優(yōu)化問題。對模擬電路進行故障診斷實驗，結(jié)果顯示兩種方法都可以較好地選擇最優(yōu)特征子集和優(yōu)化SVM參數(shù)；使用優(yōu)化的特征子集和SVM參數(shù)進行故障診斷，獲得較高的故障診斷正確率。交叉熵方法比混合粒子群優(yōu)化算法有更高的效率和故障

3、診斷正確率。(4)基于SVM集成的模擬電路故障診斷方法研究。簡單采用一對多(OAA)等策略構(gòu)造的多分類SVM不能滿足模擬電路故障診斷的要求。為提高多分類SVM的故障診斷正確率，提出了三種基于SVM集成的故障診斷方法：融合層次支持向量機(HSVM)和DempsterShafer(DS)理論方法、融合支持向量數(shù)據(jù)描述(SVDD)和D—S理論方法及改進的AdaBoostSVM方法。在融合HsVM和D—S理論的故障診斷方法中，通過D—S理論融合

4、多個不同決策消除HSVM各層次節(jié)點的累積誤差，提高預測精度，改善了HSVM的分類性能。在實際故障診斷中經(jīng)常遇到正常狀態(tài)下的樣本容易獲得而故障狀態(tài)下的樣本不易獲得的狀況，融合SVDD和D。S理論的故障診斷方法利用SVDD只需使用正常狀態(tài)下的樣本進行訓練就能夠?qū)y試樣本進行預測的優(yōu)點；同時應用DS證據(jù)理論消除SVDD構(gòu)造的多分類器產(chǎn)生判決的混疊問題，提高了故障診斷正確率。改進的AdaBoostSVM故障診斷方法利用故障診斷正確率和差異度共同

5、作用的度量函數(shù)來評價SVM集成分類器的泛化能力；采用具有隨機性和遍歷性的Logistic混沌映射改變SVM的核參數(shù)和正則化參數(shù)，構(gòu)造出大差異度的成員SVM，使集成的分類器不僅有較高的分類正確率而且有較好的泛化能力。對模擬電路進行故障診斷，實驗結(jié)果證明提出的三種SVM集成故障診斷方法能夠獲得比OAA—SVM和HSVM等多分類方法更好的故障診斷性能。關(guān)鍵詞：模擬電路，故障診斷，支持向量機，特征提取，特征選擇，集成學習，雙樹復小波變換，多重分