| 基于特征优选模拟电路故障诊断方法 |
| |
| 引用本文： | 李旻,咸卫明,龙兵,王厚军. 基于特征优选模拟电路故障诊断方法[J]. 电子科技大学学报(自然科学版), 2014, 43(4): 557-561. DOI: 10.3969/j.issn.1001-0548.2014.04.015 |
| |
| 作者姓名： | 李旻 咸卫明 龙兵 王厚军 |
| |
| 作者单位： | 1.电子科技大学自动化学院 成都 611731 |
| |
| 基金项目： | 国家自然科学基金(61071029,60934002,61201009,61271035) |
| |
| 摘 要： | 传统基于最小二乘支持向量机模拟电路故障诊断方法都是使用单一的特征向量组合训练支持向量机所有二分类器,然而实际上每个二分类器对不同的特征向量组合有不同的分类精度。因此,提出了基于马氏距离的粒子群优化算法,为最小二乘支持向量机所有二分类器优选出近最优的特征向量组合。然后,将近最优特征向量组合用于训练和测试该支持向量机。最后把该方法应用于模拟电路早期故障诊断,实验结果表明,基于近最优特征向量组合的诊断精度要高于单一特征向量组合的诊断精度。
|
| 关 键 词： | 故障诊断 特征优选 最小二乘支持向量机 马氏距离 粒子群优化算法 |
| 收稿时间： | 2013-04-16 |
Method for Fault Diagnosis of Analog Circuits Based on Feature Selection |
| |
| Affiliation: | 1.School of Automation Engineering,University of Electronic Science & Technology of China Chengdu 611731 |
| |
| Abstract: | Traditionally, multi-fault diagnosis of analog circuits based on least squares support vector machine (LSSVM) usually uses a single feature vector combination to train all binary LSSVM classifiers. However, in fact, each binary LSSVM classifier has different classification accuracy for different feature vector combinations. Therefore, the Mahalanobis distance (MD) based on particle swarm optimization (PSO) is proposed to select a near-optimal feature vector combination for each binary classifier. Then, the near-optimal feature vector combinations are used to train and test LSSVM for diagnostics of the incipient faults in analog circuits. The experimental results show that the accuracy using the near-optimal feature vector combinations is higher than the accuracy using a single vector combination. |
| |
| Keywords: | |
|
| 点击此处可从《电子科技大学学报(自然科学版)》浏览原始摘要信息 |
|
点击此处可从《电子科技大学学报(自然科学版)》下载全文 |
|
