基于独立成分分析与支持向量机的电路测试方法

摘要

在高度发达的工业化进程中，为了满足安全性和环境的要求，对电路的测试要求也日益增高。随着国际间的竞争越来越激烈，电路的测试技术也日益发展，如何对电路测试的数据进行有效提取特征值和分类是目前工业发展中最关心的问题。当前基于独立成分分析(Independent component analysis,ICA)与支持向量机(support vectormachine，SVM)的故障诊断测试方法可以有效的解决上述问题。它的优点在于不需要有精确的先验知识，也不需要去构建复杂的数学模型，仅仅利用在线或者离线的数据，对数据之间的那种关系进行挖掘，最终获取电路的工作状态，完成系统的模拟故障诊断和检测。
　　独立成分分析方法属于数据驱动的故障诊断和检测的方法之一，是一种基于多变量的高阶统计过程控制方法，它可以更有效的提取特征值;支持向量机可以更好的解决小样本、高维数、非线性等问题。因此独立成分分析方法结合支持向量机技术在电路测试、模拟故障诊断等领域都有重大的应用价值。
　　本文的主要研究工作如下:
　　1、针对模拟故障诊断过程中的数据具有非高斯性的特点，深入研究了自适应核函数的独立成分分析。对自适应核函数的独立成分分析从理论和实践上做了详细的分析和描述，并且对比了传统的基于Infomax ICA和主元分析(PCA)在实验的精度和所发时间进行验证，得出自适应独立成分分析方法是有效可行的。
　　2、针对单一的高斯核函数是局部函数，学习能力强但泛化性比较差;多层感知机核函数是全局函数，泛化性强但学习能力比较弱。考虑系统不同场合下的需求，本文将结合两类核函数的优点，考虑模拟电路测试信号特征，构造自适应核函数。对自适应的独立成分分析方法处理后的数据，用自适应核函数支持向量机的方法进行分类，能更好的解决高维数、小样本、非线性等问题，最后本文用高斯核函数和多层感知机核函数去处理模拟电路故障，且从样本训练时间和测试精度上进行对比。
　　3、把自适应的非高斯独立成分分析及支持向量机方法的具体诊断步骤进行详细说明，并且用Salley-key的带通滤波和差动放大电路以及手机测试中所产生的数据验证了该方法的可行性。

目录

摘要

第1章 绪论

1．1 课题的研究背景及意义

1．2 基于故障检测与诊断方法的研究现状

1．3 基于模拟故障检测与诊断的分类方法

1．4 论文内容安排

第2章 核函数和独立成分分析基本理论

2．1 核函数

2．1．1 核函数的基本理论

2．1．2 混合核函数的构造

2．1．3 核函数的生成方法

2．2 独立成分分析的理论

2．2．1 独立成分的概率知识

2．2．2 高阶统计量

2．2．3 信息度量函数

第3章 独立成分分析的算法研究

3．1 独立成分分析的基本理论

3．1．1 传统的独立成分分析

3．1．2 独立成分析技术的数据预处理技术

3．1．3 基于自适应的独立成分分析的研究

3．2 基于独立成分分析的目标函数的研究

3．2．1 基于峭度的快速ICA算法

3．2．2 对ICA的infomax算法的研究

3．2．3 基于负熵的ICA算法的研究

3．2．4 基于最大似然判据的研究

3．3 独立成分与其它算法的对比研究

3．3．1 主元分析与独立成分析对比

3．3．2 投影法与独立成分分析的对比

3．4 独立成分分析的算法流程

第4章 支持向量机的研究

4．1 统计学理论

4．2 支持向量机的分类理论研究

4．3 支持向量机多分类的研究

第5章 基于自适应独立成分分析的支持向量机的应用

5．1 基于AMK-ICA-SVM诊断流程和故障诊断系统功能模块的实现

5．1．1 基于AMK-ICA-SVM诊断流程

5．1．2 故障诊断系统功能模块的实现

5．2 基于AMK-ICA-SVM在模拟电路中的应用

5．2．1 AMK-ICA-SVM在线性电路的应用

5．2．2 AMK-ICA-SVM在非线性电路的应用

5．2．3 对ALCATEL-Yaris 3．5手机进行模拟故障诊断及校准

总结与展望

参考文献

致谢

在读期间发表的学术论文

声明