基于相空间重构的自适应残差修正支持向量回归预测算法
打开文本图片集
摘 要：针对模拟电路故障预测存在的非线性时间序列预测问题和传统支持向量回归（SVR）多步预测时出现的误差累积问题，提出了一种基于相空间重构的自适应残差修正SVR预测算法。首先，分析了SVR多步预测方法对时间序列趋势预测的意义和多步预测导致的误差积累问题；其次，将相空间重构技术引入SVR预测中，对表征模拟电路状态的时间序列进行相空间重构，并进而进行SVR预测；然后，在对多步预测过程中产生的误差累积序列进行二次SVR预测的基础上，实现对初始预测误差的自适应修正；最后，对所提算法进行了预测仿真验证。仿真验证和模拟电路的健康度预测实验结果表明，所提算法能有效降低多步预测导致的误差积累，显著提高回归估计精度，更好地预测模拟电路状态的变化趋势。
关键词：支持向量回归；多步预测；误差累积；相空间重构；残差
中图分类号： TP391
文献标志码：A
文章编号：1001-9081（2016）11-3229-05
0 引言
模拟电路在航空航天、电子对抗、军事防御等领域的设备中发挥着至关重要的作用，其运行状态严重影响着设备的性能和功能，因此研究模拟电路的状态发展趋势，预测元器件剩余寿命，评估电路健康状况，从而确保电路长时间正常稳定工作具有重要意义。
健康度[1]可以用来量化表征元器件性能，通过对健康度变化的时间序列进行预测，评估元器件工作状态和剩余寿命[2]。在实际应用中，由于模拟电路构成复杂，各元器件相互耦合，加之电气噪声的影响，必然导致所计算的健康度数值序列具有非线性变化的特点，在出现故障或异常后，这一特点表现更为明显。因此，基于健康度的模拟电路状态预测需要解决非线性序列预测问题。
支持向量回归（Support Vector Regression，SVR）是一种将支持向量机（Support Vector Machine， SVM）方法推广应用于时间序列函数回归估计的方法，鲁棒性好、推广能力强、具有全局最优解，被广泛应用于非线性时间序列的预测[3-5]中，有利于解决模拟电路的状态趋势预测问题。根据输入样本的不同，可以将时间序列的SVR预测分为单步预测和多步预测两种[6]。多步预测能得到更加超前的预测结果，比单步预测更具实际意义，但由于误差的存在并不断累积，多步预测的精度...
|
== 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 |
|
