基于粒子群优化LSSVM的模拟电路故障诊断方法
摘 要: 针对模拟电路故障诊断中存在的诊断信息不充分、参数容差及元器件的非线性等问题,利用最小二乘支持向量机(LSSVM)在小样本情况下良好的学习能力和泛化能力建立基于LSSVM的模拟电路故障分类模型。同时为提高故障诊断精度,采用粒子群优化(PSO)算法对LSSVM的参数进行优化,避免了参数选择的盲目性。最后以典型滤波器电路的故障诊断为例进行了仿真验证。实验结果证明基于PSO的LSSVM模型可有效改善遍历搜索引起的效率问题,其故障分类准确性及模型诊断效率都得到提高。
关键词: 模拟电路; 故障诊断; 粒子群优化; 最小二乘支持向量机
中图分类号: TN710⁃34; V241.4 文献标识码: A 文章编号: 1004⁃373X(2013)08⁃0035⁃04
0 引 言
模拟电路是现代集成电路中不可或缺的组成部分,由于模拟电路具有容差、非线性等特点,其故障诊断技术虽然起步较早,但发展速度明显滞后于数字电路。近年来,基于人工智能的模拟电路故障诊断方法得到了广泛应用,文献[1⁃2]利用神经网络对模拟电路故障进行诊断,取得了较好的效果。
但是神经网络存在训练时间长,易陷入局部极值等不足,文献[3⁃5]采用支持向量机(Support Vector Machine,SVM)方法进行模拟电路故障诊断,该方法在诊断精度和诊断效率方面都优于BP神经网络。当样本数量增加,标准SVM存在训练复杂度高,二次规划问题难以求解等不足。
最小二乘支持向量机是在标准SVM的基础上采用二次损失函数提高求解速度。同时,核函数的参数决定了样本数据在高维特征空间分布的复杂程度,从而影响最优分类超平面的泛化能力。文献[6]提出采用交叉验证的网格搜索法进行参数寻优,有效避免了过学习和欠学习状态的发生。
当需要进一步提高准确率时,必须扩大参数的搜索范围或降低网格的大小,运算复杂度呈指数型增长,运算时间急剧增加[7]。本文借助粒子群算法强大的全局搜索能力对LSSVM的参数进行优化,将训练后LSSVM模型用于模拟电路的故障诊断中。
1 最小二乘支持向量机
最小二乘支持向量机(Least Square Support Vector Machine,LSSVM)是由Suykens于1999年提出的一种新型支持向量机[8]。
该模型将最小二乘线性系统引入到支持向量机中,用二次损失函数代替SVM中的不敏感损失函数,通过损失函数将SVM中的二次寻优转化为求解线性方程组,从而降低了计算的复杂程度。
设有[N]个样本[xi]及其所属类别[y...
== 试读已结束,如需继续阅读敬请充值会员 ==
|
本站文章均为原创投稿,仅供下载参考,付费用户可查看完整且有格式内容!
(费用标准:38元/2月,98元/2年,微信支付秒开通!) |
升级为会员即可查阅全文 。如需要查阅全文,请 免费注册 或 登录会员 |