基于分层聚类的支持向量机模拟电路故障诊断

提出分层聚类与支持向量机集成的算法,以多级二叉树结构的SVM实现故障的分级诊断。根据最大间隔距离原则,对各故障模式电路特征的逐次聚类二分获得二叉树,使每个节点的SVM具有最大分类间隔,减少了误差积累,从而优化了SVM的组合策略。聚类上利用遗传粒子群算法对样本进行聚类。经模拟电路仿真结果显示,该方法与一对一、一对多方法相比,在不影响分类精度下,减少测试时间,降低模型复杂度。     

基于液体状态机的模拟电路故障诊断方法

针对模拟电路故障特征难以识别的问题,结合液体状态机神经网络的特点,从模拟电路故障特征样本获取和故障模式识别两方面入手,提出一种基于液体状态机的模拟电路故障诊断方法。该方法利用 Matlab 和 PSpice联合仿真,实现大量故障样本数据的自动获取,采用液体状态机进行故障模式的分类,并对两级阻容耦合放大电路的故障诊断实例进行仿真。仿真结果表明：该方法和目前应用最广泛的 BP 神经网络相比,故障识别准确率会有所下降,但训练时间远小于BP神经网络,且泛化能力强,对模拟电路故障诊断研究有一定的实际意义。     

基于粒子群算法优化最小二乘支持向量机的电路故障诊断方法

针对数／模混合电路故障的特点,采用将粒子群算法与最小二乘支持向量机相结合的故障诊断方法,在保证诊断过程准确率的基础上,实现多类故障的快速诊断。在诊断过程中,支持向量机的参数寻优过程存在随意性、盲目性和效率低等问题,采用改进的粒子群算法优化支持向量机的参数,建立基于支持向量机的故障分类模型。实验结果表明,与其他方法相比,该方法提高了故障诊断的精度,具有明显的实用价值。     

基于支持向量机的柴油机燃油系统故障诊断

介绍了支持向量机（SW）的机理,应用SVM对柴油机燃油系统进行故障诊断,通过试验确定了SVM参数的选择方法．实践诊断结果表明,SVM具有较好的诊断效果,对故障样本诊断的准确度较RBF神经网络高．     

基于支持向量机的雷达弹道外推方法研究

支持向量机是一种求解回归预测问题的优秀决策方法，具有坚实的理论基础和优秀的预测性能．为解决目前雷达弹道外推中存在的外推准确率不高和不能有效地进行弹道识别等问题，用基于支持向量机的方法对雷达探测弹道进行了外推研究，并通过仿真弹道模拟雷达采样进行了仿真实验，仿真实验结果表明：基于支持向量机的雷达弹道外推方法实用可行，可以获得较高的外推精度，并且能够有效地进行弹道识别．     

基于支持向量机的装备故障诊断研究

支持向量机（SVM）是统计学习理论（SLT）的一种成功实现,它建立在SLT的VC维理论和结构风险最小化原理基础之上,能够较好地克服神经网络容易出现的过学习和泛化能力低等缺陷.提出了一种基于支持向量机的装备故障诊断方法,应用该方法成功地对某型装备几种典型故障进行了正确诊断.在对检验样本施加噪声后,支持向量机构成的故障分类器仍然能够满足发动机故障诊断要求,表明提出的故障诊断算法具有良好的鲁棒性和推广性.     

基于主元分析与支持向量机的方法及其在过程监控诊断中的应用

基于支持向量机（SVM）在处理小样本、高维数及泛化性能强等方面的优势，提出了基于主元分析和支持向量机（PCA—SVM）对过程进行监控的方法。文中先利用主元分析方法进行特征数据提取，得到降维的主元特征向量，去除了高维样本变量相关性。然后分析各状态T^2统计、SPE统计量的变化趋势，对实际生产状况进行监控，最后利用SVM与最近邻法相结合的策略对特征向量进行分类识别。试验结果证实了提出算法的有效性。     

基于Bayes准则的支持向量机

支持向量机( SVM)在处理分类问题时,纯粹从样本的角度出发,其分类效果取决于训练样本的特性,不考虑待分类问题的当前信息。本文从导弹武器系统的数据交叉现象出发,通过对支持向量机的决策函数增加反映待分类问题当前信息的先验概率项,将Bayes准则融于支持向量机算法中,提高支持向量机的分类效果;给出了算法的推导以及实现步骤。通过导弹武器系统中的两个实例对算法进行验证,新算法比传统支持向量机算法具有更好的分类效果,并且算法的鲁棒性和敏感性都得到提高。     

支持向量机在液体火箭发动机稳态段故障检测和诊断中的应用

将支持向量机方法用于某大型液体火箭发动机稳态试车数据的挖掘,建立了多故障分类器,采用23次试车数据对上述挖掘结果进行了测试,将测试结果与人工神经网络方法等所得结果进行了比较.并利用28类仿真稳态故障数据对该方法进行了进一步验证.结果表明,支持向量机方法是一种可基于小样本的、有效的液体火箭发动机故障检测与诊断方法.     

基于支持向量机的磨削参数自适应系统

基于支持向量机的磨削参数决策系统通过多传感器信息融合获得磨削状态信息,用支持向量机分类器对其分类.经建立样本数据、选取核函数及其参数并求解拉格朗日系数,找出支持向量.再求解分类超平面系数,建立训练数据最优决策超平面,并根据样本数据学习.系统按分类学习结果自动选择工艺参数以控制磨削加工质量.     

基于正交试验法的模拟电路故障诊断新方法

基于神经网络的模拟电路故障诊断方法,存在训练样本庞大的缺点,以进行多故障诊断为目的,提出一种基于正交试验法和神经网络的模拟电路故障诊断方法,充分利用各种信息,以科学的方法对数量庞大的训练样本进行“缩水”处理。该方法能大大减少训练样本,同时保证故障覆盖率,有一定创新性。经算例证明,该方法可行有效。     

基于改进BP神经网络的模拟电路故障诊断研究

根据BP神经网络特点,提出对BP神经网络改进的方法,并以某负反馈放大器为例,采用改进后的BP网络进行故障诊断,步骤包括：故障特征向量提取、原始数据归一化处理、BP网络设计与训练。结果表明,在MATLAB7．1中运用神经网络工具箱中函数进行仿真,能有效进行故障识别、改善神经网络结构、提高故障诊断精度和速度。     

控制器模拟电路数字化

将单片机技术应用到导弹的控制器中,使原模拟控制器电路数字化、从而通过编程便可方便地改变控制器的控制规律并提高其动静态性能,对提高军品质量具有现实意义。该数字化控制器以80C196为主。包含74LS373、程序存储器2764、晶振电路和复位电路的单片机系统,及隔幅电路、电源转换电路和滤波电路等外围电路2倍分组成。数字化控制器控制软件采用PL／M－96高级语言编程,其中断处理程序用于辨别信号频率、累计每一频繁持续时间。文中提供了单片机系统和外围滤波电路原理图,以及中断处理程序和主程序框图。     

机载导弹电路故障诊断优化方法探讨

针对机裁导弹电路故障诊断问题，提出了在赋模糊权的二部图中求解故障诊断费用最小的诊断顺序的数学模型，并给出了该模型的优化算法，根据算法可方便地得出故障诊断顺序的优化决策方案，使机载导弹电路故障诊断更为经济和快捷有效。     

模拟电路的智能故障诊断

基于神经网络和专家系统的模拟电路故障诊断系统,其采集数据先输入到模糊处理模块进行模糊处理,再送人工神经网络模块推理.专家系统以神经网络的输出结果为依据进行反向不确定性推理,同时记录下推理轨迹.推理结果需进行融合处理,以提高诊断的可靠性,再根据融合结果检索操作指导数据库得到指导信息,最后得到诊断结论.     

基于正交试验法和集成神经网络的模拟电路故障诊断方法

在利用集成神经网络进行模拟电路故障诊断时,经常会遇到训练样本庞大的情形.文中以进行多故障诊断为目的,提出了一种基于正交试验法和集成神经网络的模拟电路故障诊断方法.通过正交试验法,大大减少训练样本,同时保证了故障覆盖率.经算例证明,该方法可行、有效.     

基于人工神经网络的大规模模拟电路故障诊断

大规模模拟电路故障诊断,先用定位向量初定位故障子网络,再用神经网络定位故障子网络元件级故障.诊断分测前和测后,测前先将每个子电路的各种故障情况用Multisim模拟,求得各可及节点电压并作为BP的训练样本,再对所测电压信号分别归一化处理,定义网络的故障定位向量.最后用BP网络分析故障特征,进行故障诊断.     

lp范数约束的模拟电路3层多核故障诊断模型

为提升模拟电路故障隔离精度,结合基于故障特征间一维模糊度的特征选择算法,提出一种改进的l_p范数约束多核超限学习机诊断模型。该模型通过将带权分类误差融入超限学习机优化目标函数中,基于自适应Boosting策略构建了一种3层多核学习框架。在新框架下通过自适应调整训练样本的权重分布,使得每层框架能够聚焦于不同故障样本,进而提升诊断模型的辨识力。通过对2个电路实例的诊断,结果表明：所提模型在不同范数约束下具有近似一致的诊断性能;当故障属性单一时,在平衡漏警、虚警的同时,能够显著提升诊断正确率;当多种属性的故障并存时,能够将难以辨识的故障更加准确地隔离到少数模糊组中。     

基于SVM的移动机器人路标识别算法

提出一种基于支持向量机的移动机器人路标识别算法,其利用SVM分类器对大量的交通标志进行识别。该方法对于场景光线强度变化,图像存在形变以及路标存在阴影遮挡和距离较远等情况都具有学习能力与容错性。实验结果表明,基于SVM的移动机器人路标识别分类器在复杂的室外环境下是有效的、具有鲁棒性的。