欢迎来到天天文库
浏览记录
ID:35065287
大小:3.65 MB
页数:81页
时间:2019-03-17
《基于支持向量机的模拟电路故障诊断研究》由会员上传分享,免费在线阅读,更多相关内容在学术论文-天天文库。
1、.'扛单位代码:10167分类编号;密级.学号:2013080001碱海欠緣硕±学位论文论文题目:基于支持向量机的模拟电路故障诊断研究AnalogCircuitFaultDiagnosisbasedonSuortVectorMachinespp作者姓名:陈晨指导教师:张爱华教授专业名称:控制理论与控制工程研究方向:智能控制与滤玻王2013级:学院学院年级—-2016完成日期:年6月潮海大学研究生学院VJ占.
2、.'原创性声明本人郑重承诺:所呈交的硕±学位论文是本人在导师指导下进行的研究工作和敎得的研究成果。尽我所知,徐了文中已经注明引用的内容外,本论文不包含其値个人或集体已经发表或撰写过的研究成果。对本文的研究做出重要责献的个人和集体,均己在文中明确方式标明。本人完全意识到本声明的法律结果由本人承担。论文作者签名;化复円期:年0^月偽R关于论文使用授权的说明学位论文作者完全了解潮海大学有关保留、使用学位论文的规定,即:研究生在校攻读学位期间进行论文工作的知识产权单位属于潮海大学。顏海大学有权保
3、留并向国家有关部n或机构送交论文的复印件和磁盘,允许学位论文被查阅和借阅。本文作者授权潮海大学可ui公布学位论文的全部或部分内容,可レッ将学位论文的全部或部分内容编入有关数据库并进行检索,可W采用影印、缩印、扫描或其它复制手段保存、汇编学位论文(保密的学位论文在解密后遵守此规定)。保密□,在年解密后适用本授权书。本论文属于^/不保密换适用本授权书。U(请在□内打夺)论文作者签名:指导教师签背餐"円期:>!(?年。t月^円円期:>7/知。姑。円《基于支持向量机的模拟电路故障
4、诊断研究[摘要]考虑经典的模拟电路故障评测与分类方法对于非线性、故障多样性、计算复杂度、元件参数容差造成评测与分类结果模糊等问题,本文以支持向量机(SupportVectorMachine,SVM)为基础,结合机器学习的三种形式探究了模拟电路故障评测与分类方法,主要内容包括了模拟电路在线性能评测、监督K近邻方法、无监督聚类方法以及全局和局部保持的半监督方法。具体工作如下:(1)模拟电路在线性能测试。本文利用自调节最小二乘支持向量回归机(LeastSquaresSupportVectorRegression,LSSVR)对模拟
5、电路性能进行在线评测,同时借助多元核径向基(Multi-kernelRadialBasisFunction,MKRBF)模型进行核函数参数的在线校正,最终更直观地表现出LSSVR的模拟电路性能评测。(2)在模拟电路性能测试基础上结合机器学习的三种形式分别进行模拟电路故障诊断的描述。该方法以机器学习的监督形式为依托,提出了监督式改进K近邻(WeightedK-NearestNeighbor,WKNN)结合改进最小二乘支持向量机(WeightedLeastSquaresSupportVectorMachine,WLSSVM)的模
6、拟电路故障分类新策略。WLSSVM学习算法更新KNN算法处理选取支持向量时存在的权值问题,具体实施方法为:将WLSSVM分类器的权重向量引入到KNN距离公式中,权重的平方项作为距离公式项的特征权重。(3)第二部分的监督学习是机器学习的基础。监督学习的方法虽然能够达到要求,但是在数据选择方面的缺陷是不可忽视的,即对类型已知的数据具有较强依赖性。然而,实际的系统中必然存有未知类型数据,而未知数据存在的结果必将导致在现有有监督诊断方法下,产生数据滞障以及分类精度降I低等问题。为了解决监督学习部分的数据应用瑕疵问题,选择无监督形式的
7、机器学习进行方法改进。本章节给出了基于简约SVM融合无监督聚类(UnsupervisedClustering,UC)形式的模拟电路故障分类对策。该对策首先利用简约SVM对训练样本进行随机缩减以达到减少运算复杂度和运算时间的目的,其次利用UC对上一步随机缩减的样本数据再次进行改进,从而实现对选择数据的有效抑制。(4)综合监督式WKNN-WLSSVM与无监督制UC-ISVM所提出的监督和无监督方法,既考虑已知类型样本的存在属性又兼顾到未知类型样本的潜在性,提高模拟电路故障诊断的研究空间,本阶段工作提出二者相融合的机器学习方法-半
8、监督式机器学习展开研究,给出基于全局和局部保持的支持向量机(GlobalandLocalSustainSupportVectorMachine,Global-LSSVM)的半监督模拟电路故障诊断方法。[关键词]:模拟电路;监督;无监督;故障评测与分类;支持向量机IIANALOGCIRCUI
此文档下载收益归作者所有