基于mRMR原则和优化SVM的模拟电路故障诊断

被引：34

作者：

孙健 ^{[1
,2
]}

王成华 ^{[1
]}

机构：

[1] 南京航空航天大学电子信息工程学院

[2] 南京信息职业技术学院

来源：

仪器仪表学报 | 2013年 / 34卷 / 01期

关键词：

模拟电路; 故障诊断; 特征提取; 最小冗余最大相关; 支持向量机; 参数优化;

D O I：

10.19650/j.cnki.cjsi.2013.01.032

中图分类号：

TN710 [电子电路];

学科分类号：

080902 ;

摘要：

为了解决模拟电路故障诊断中有效特征提取困难和提高故障诊断的准确率,提出了一种基于最小冗余最大相关(minimum redundancy maximum relevance,mRMR)原则和优化支持向量机(support vector machine,SVM)的模拟电路故障诊断新方法。该方法利用mRMR原则对待诊断电路响应信号进行特征提取,将得到的最优故障特征输入SVM进行故障分类识别,并用遗传算法(genetic algorithm,GA)优化SVM的核参数,避免参数选择的盲目性,提高模型的诊断精度。实验结果表明该方法是有效的,提高了模拟电路故障诊断精度。

引用

页码：221 / 226

页数：6

共 11 条

[1] 基于提升小波变换的模拟电路故障特征识别 [J].

袁海英 ;

孙迅 ;

黎海涛 .

电子测量与仪器学报, 2011, 25 (08) :700-703

[2] 基于支持向量机属性约简集成的模拟电路故障诊断 [J].

马超 ;

陈西宏 ;

徐宇亮 ;

姚懿玲 .

仪器仪表学报, 2011, 32 (03) :660-666

[3] 基于带特征染色体遗传算法的支持向量机特征选择和参数优化 [J].

赵明渊 ;

唐勇 ;

傅翀 ;

周明天 .

控制与决策 , 2010, (08) :1133-1138

[4] 应用模糊最优小波包和LS-SVM的模拟电路诊断 [J].

王佩丽 ;

彭敏放 ;

杨易旻 ;

吴俊丽 ;

何怡刚 .

仪器仪表学报, 2010, 31 (06) :1282-1288

[5] 一种聚类分层决策的SVM模拟电路故障诊断方法 [J].

宋国明 ;

王厚军 ;

姜书艳 ;

刘红 .

仪器仪表学报, 2010, 31 (05) :998-1004

[6] 采用模糊支持向量机的模拟电路故障诊断新方法 [J].

唐静远 ;

师奕兵 .

电子测量与仪器学报, 2009, 23 (06) :7-12

[7] 基于自适应小波分解和SVM的模拟电路故障诊断 [J].

孙永奎 ;

陈光 ;

李辉 .

仪器仪表学报, 2008, (10) :2105-2109

[8] 模拟电路软故障诊断的研究 [J].

杨士元 ;

胡梅 ;

王红 .

微电子学与计算机, 2008, (01) :1-8

[9]

Feature evaluation and extraction based on neural network in analog circuit fault diagnosis[J]. Yuan Haiying, Chen Guangju ＆ Xie Yongle School of Automation Engineering, Univ. of Electronic Science and Technology of China, Chengdu 610054, P. R. China.Journal of Systems Engineering and Electronics. 2007(02)

[10] Support Vector Machines for Classification in Nonstandard Situations [J].

Yi Lin ;

Yoonkyung Lee ;

Grace Wahba .

Machine Learning, 2002, 46 :191-202

← 1 2 →