基于群智能算法优化的支持向量机模拟电路故障诊断

发布时间：2021-04-22 23:50

　　随着现代电子设备中模拟电路复杂度和集成度不断增加,其可靠性和可维护性十分关键。但模拟电路存在可测节点少、电路信息冗余度高、容差性、非线性以及故障多样性等问题,使得模拟电路故障诊断发展缓慢。本文主要研究支持向量机（SVM）应用于模拟电路故障诊断,但其惩罚参数C和核参数g的选取不同严重影响其分类性能,为此,分别提出了基于改进粒子群算法和改进引力搜索算法来优化SVM的参数,并对线性和非线性模拟电路进行了仿真和实验验证。本文的主要研究内容如下:首先,研究模拟电路的故障诊断方法和用于优化SVM参数的群智能算法。通过分析模拟电路故障的特性,构建SVM进行故障诊断模型,利用小波包分解进行特征提取,群智能算法来优化SVM的两个参数,以获得最优的故障分类效果。其次,对易于陷入局部收敛的粒子群算法进行改进,通过引入新的动态惯性权重、全局邻域搜索、收缩因子和遗传算法中的变异操作,提出了一种基于改进粒子群（IPSO）算法优化SVM参数（IPSO-SVM）的改进型分类器。分别采用线性和非线性模拟电路进行故障诊断的仿真和实验。结果表明IPSO-SVM分类器的分类效果优于GS-SVM、AFSA-SVM、GA-SVM... 

【文章来源】：合肥工业大学安徽省 211工程院校 教育部直属院校

【文章页数】：66 页

【学位级别】：硕士

【文章目录】：
致谢
摘要
ABSTRACT
第一章 绪论
    1.1 课题研究背景及意义
    1.2 模拟电路故障诊断方法的发展与分类
        1.2.1 模拟电路故障诊断方法的发展
        1.2.2 模拟电路故障诊断方法的分类
    1.3 本文的主要研究内容及章节安排
        1.3.1 本文的主要研究内容
        1.3.2 本文的章节安排
第二章 模拟电路故障诊断的理论概述
    2.1 模拟电路故障诊断的基本理论
    2.2 特征提取方法研究
        2.2.1 小波包分解的特征提取方法
        2.2.2 主元分析的特征提取方法
        2.2.3 线性判别分析的特征提取方法
    2.3 支持向量机（SVM）的基本原理及参数选择
        2.3.1 支持向量机的基本原理
        2.3.2 多分类支持向量机
        2.3.3 支持向量机的参数选择
    2.4 本章小结
第三章 群智能算法优化SVM参数
    3.1 群智能算法简介
    3.2 遗传算法（GA）
    3.3 人工鱼群算法（AFSA）
    3.4 粒子群优化算法（PSO）及其改进算法
        3.4.1 粒子群优化算法（PSO）
        3.4.2 改进的粒子群算法（IPSO）
        3.4.3 基于IPSO优化的SVM分类器分类效果验证
    3.5 引力搜索算法（GSA）及其改进算法
        3.5.1 引力搜索算法（GSA）
        3.5.2 改进的引力搜索算法（IGSA）
        3.5.3 基于IGSA优化的SVM分类器分类效果验证
    3.6 本章小结
第四章 改进粒子群算法优化的SVM模拟电路故障诊断
    4.1 基于SVM模拟电路故障诊断的基本流程
    4.2 基于IPSO-SVM的模拟电路故障诊断
        4.2.1 Sallen-Key带通滤波器故障诊断
        4.2.2 四运放双二次高通滤波器电路故障诊断
        4.2.3 非线性整流电路故障诊断
    4.3 实际模拟电路故障诊断研究
    4.4 本章小结
第五章 改进引力搜索算法优化的SVM模拟电路故障诊断
    5.1 模拟电路故障诊断步骤及故障设置
        5.1.1 基于IGSA-SVM的模拟电路故障诊断步骤
        5.1.2 四运放双二次高通滤波器故障设置
        5.1.3 非线性整流电路故障设置
    5.2 模拟电路故障诊断结果分析
        5.2.1 四运放双二次高通滤波器电路仿真结果分析
        5.2.2 非线性整流电路仿真结果分析
    5.3 本章小结
第六章 总结与展望
    6.1 总结
    6.2 展望
参考文献
攻读硕士学位期间的学术活动及成果情况



本文编号：3154679