论文部分内容阅读
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(Support Vector Machine,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(Least Squares Support Vector Regression,LSSVR)对模拟电路性能进行在线评测,同时借助多元核径向基(Multi-kernel Radial Basis Function,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(Weighted K-Nearest Neighbor,WKNN)结合改进最小二乘支持向量机(Weighted Least Squares Support Vector Machine,WLSSVM)的模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(Unsupervised Clustering,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(Global and Local Sustain Support Vector Machine,Global-LSSVM)的半监督模拟电路故障诊断方法。