基于自适应小波分解和SVM的模拟电路故障诊断

被引：30

作者：

孙永奎 ^{[1
]}

陈光 ^{[1
]}

李辉 ^{[2
]}

机构：

[1] 电子科技大学自动化工程学院

[2] 电子科技大学空天科学技术研究院

来源：

仪器仪表学报 | 2008年 / 10期

关键词：

模拟电路; 故障诊断; 自适应小波分解; 支持向量机;

D O I：

10.19650/j.cnki.cjsi.2008.10.017

中图分类号：

TP181 [自动推理、机器学习]; TN702 [设计、分析、计算];

学科分类号：

081104 ; 0812 ; 0835 ; 1405 ; 080902 ;

摘要：

为了降低模拟电路参数故障的测试难度,提出了基于自适应小波分解和SVM的模拟电路故障诊断的新方法,该方法对电路故障响应进行小波分解提取最优故障特征,母小波的选择是根据被测电路的正常响应和故障响应小波系数之差的最大均方根原则,并引入支持向量机对故障进行分类识别。小波分解具有自适应性,支持向量机结构简单,泛化能力强。实验结果证明了所提的基于自适应小波分解和SVM的模拟电路故障诊断方法是有效的,其故障诊断率大于96.8%。

引用

页码：2105 / 2109

页数：5

共 7 条

[1] 小波-神经网络在模拟电路故障诊断中的应用 [J].

王承 ;

陈光 ;

谢永乐 ;

不详 .

系统仿真学报 , 2005, (08) :1936-1938

[2] 基于小波—神经网络模拟电路故障诊断方法的研究 [J].

谢宏 ;

何怡刚 ;

吴杰 .

仪器仪表学报, 2004, (05) :672-675

[3]

小波分析及其应用[M]. 机械工业出版社 , 孙延奎编著, 2005

[4]

Fault Diagnosis of Analog Circuits Using Bayesian Neural Networks with Wavelet Transform as Preprocessor[J] . Farzan Aminian,Mehran Aminian.Journal of Electronic Testing . 2001 (1)

[5]

Multicategory Classification by Support Vector Machines[J] . Erin J. Bredensteiner,Kristin P. Bennett.Computational Optimization and Applications . 1999 (1)

[6] SUPPORT-VECTOR NETWORKS [J].

CORTES, C ;

VAPNIK, V .

MACHINE LEARNING, 1995, 20 (03) :273-297

[7]

Large Margin DAGs for Multiclass Classification. Platt,J.,Cristianini,N.,Shawe-Taylor,J.,Solla,S. A.,Leen,T. K.,Müller,K. R. Advances in Neural Information Processing Systems 12 . 2000

← 1 →