基于SVM的密封电子元器件组件信号识别技术开发

发布时间：2023-10-22 10:37

　　近年来,随着我国航天军事等领域的飞速发展,多余物问题成为限制密封电子元器件性能安全的重要问题。微粒噪声碰撞检测是当下对于多余物检测的出厂必做试验。由于组件信号与多余物信号的输出波形相仿,组件信号在输出时甚至会覆盖多余物信号,所以传统的微粒噪声碰撞检测系统无法精准判断多余物信号的有无。本论文就是在此现状下开展。目标是在Python环境下搭建出一套高效的支持向量机分类模型,从而实现对组件信号与多余物信号分类识别的最优化,解决当下多余物的误判和漏判问题,并可将其制定入组件信号识别编制规定。本论文首先通过微粒碰撞噪声硬件检测系统(Particle Impact Noise Detection,PIND),测得的PIND信号,再使用三门限提取脉冲算法、补零法、离散傅里叶变换法,处理规整脉冲信号,得到能被计算机识别、计算的具有研究意义的样本数据。之后分析实验获取的组件信号与多余物信号,选取能有效区分两种信号的特征并记录。再将具有分类特征和标签定义的样本数据导入Python,并训练不同核函数的SVM分类模型,对比分类精度,选出分类最优的核函数(本文选出的是RBF核)。后面使用优化后的网格搜索法寻找核...

【文章页数】：76 页

【学位级别】：硕士

【文章目录】：
中文摘要
Abstract
第1章 绪论
    1.1 项目研究背景
    1.2 国内外研究现状
        1.2.1 国外研究现状
        1.2.2 国内研究现状
    1.3 组件信号识别存在的问题
    1.4 项目研究意义
    1.5 主要内容以及章节安排
第2章 信号检测与分类特征
    2.1 PIND信号的检测与提取
    2.2 三门限脉冲提取算法实现降噪
    2.3 脉冲数据预处理
        2.3.1 补零法规整脉冲
        2.3.2 傅里叶变换
    2.4 分类特征
        2.4.1 信号特征分析
        2.4.2 脉冲信号特征分析验证
    2.5 本章小结
第3章 基于支持向量机的分类器实现
    3.1 支持向量机算法(SVM)
        3.1.1 线性分类
        3.1.2 非线性分类
    3.2 数据收集与预处理
        3.2.1 将脉冲作数据化处理
        3.2.2 提取数据特征
        3.2.3 数据清洗
    3.3 SVM分类器模型搭建
        3.3.1 训练不同核函数模型
        3.3.2 导出分类精度
        3.3.3 预测测试结果
    3.4 本章小结
第4章 SVM算法优化与分类实现
    4.1 RBF核函数的参数对SVM分类性能的影响
    4.2 优化参数
        4.2.1 使用网格搜索法(Grid Search)获得更优解
        4.2.2 影响网格搜索法的主要因素
    4.3 优化网格搜索法并验证分类器性能
        4.3.1 参数优化方案
        4.3.2 粒子群算法(PSO)
        4.3.3 使用粒子群算法第一次寻优
        4.3.4 使用小步长网格搜索法第二次寻优
    4.4 优化后的核函数分类器实现与应用
    4.5 本章小结
结论
参考文献
致谢



本文编号：3856349