排序方式: 共有18条查询结果,搜索用时 0 毫秒
1.
模拟电路故障诊断受制于传统的机器学习方法需要人为设定参数,分类效果依赖于参数设定是否成功,无法进行在线诊断。为此,提出一种基于稀疏贝叶斯相关向量机理论的模拟电路故障诊断模型,改进权值更新算法,设定阈值提前剔除非相关权值,减少算法运行时间,加快权值更新速度。在贝叶斯框架下对分类函数的权重进行推断,并得到各分类的后验概率,从而判断分类结果的置信度,辅助诊断决策。仿真结果表明,与支持向量机相比,该模型在精度相当的情况下,需要的相关向量更少,更具稀疏性和泛化性,分类时效性更高,适合模拟电路的在线检测。 相似文献
2.
3.
4.
5.
模糊核聚类相关向量机模拟电路故障诊断 总被引:2,自引:1,他引:2
针对模拟电路故障与特征间存在的模糊组及交叠,首先建立基于Fisher准则函数的最佳聚类数自适应估计方法,采用模糊核聚类选择最优可诊断故障集,然后提出一种基于稀疏贝叶斯相关向量机(RVM)理论的模拟电路故障诊断模型,提高了RVM模拟电路故障分类的效率和准确度;模型可以在贝叶斯框架下对分类函数的权重进行推断,而且得到各分类的验后概率,从而能判断分类结果的置信度,辅助进行诊断决策;仿真结果表明提出的模拟电路诊断模型在精度提高的情况下,比支持向量机需要的向量更少,更具稀疏性和泛化性,是一种有效的模拟电路故障诊断方法。 相似文献
6.
针对贝叶斯网络后验概率需计算样本边际分布,计算代价大的问题,将共轭先验分布思想引入贝叶斯分类,提出了基于共轭先验分布的贝叶斯网络分类模型.针对非区间离散样本,提出一种自适应的样本离散方法,将小波包提取模拟电路故障特征离散化作为分类模型属性.仿真验证表明,模型分类效果较好,算法运行速度得以提高,也可应用于连续样本和多分类的情况,扩展了贝叶斯网络分类的应用范围. 相似文献
8.
9.
针对自回归滑动平均(auto-regressive moving average,简称ARMA)模型参数谱估计容易出现谱峰漂移问题,提出一种基于组合目标函数和遗传算法的ARMA模型参数估计方法.通过最小均方误差准则获得ARMA模型参数初始估计,依据现代谱估计理论和连续函数极值存在的必要条件推导模型参数的频域约束方程,构造组合目标函数并采用遗传算法对模型参数初始估计值进行优化获得模型参数的最优解.将该方法用于车削状态下尾顶尖垂直方向振动加速度时间序列建模和谱估计,结果表明了方法的有效性. 相似文献
10.