基于多核共空間模式的超限學習機聚類診斷方法研究.pdf

1、數字電路因其集成度高、應用性強、可靠性好等特點，比模擬電路的發(fā)展更迅速。模擬電路因其測試與故障診斷技術研究的困難，也使得研究者們對數字電路投入了更多的人力、物力和財力，導致模擬電路在整個電路系統(tǒng)研究領域中所占的配比較少。但整個電路系統(tǒng)的可靠性很大程度上取決于模擬電路的可靠性，因此模擬電路的故障診斷對于電路系統(tǒng)至關重要。
　　目前模擬電路的特征提取方法諸如小波分析、曲線波特征提取、主成分分析、獨立成分分析等都具有一定的局限性。在高維

2、數據特征數據提取過程中，往往需要更多的節(jié)點來增加數據的提取，導致了網絡的復雜化;曲線波分析對數據冗余的處理在重構過程中影響了數據的精度;PCA方法雖然能夠在某方面有效的減少了樣本，但因為最小方差的投影而降低了數據的準確度;獨立成分分析主要針對高階的統(tǒng)計來揭示隱藏在數據中的獨立的統(tǒng)計學本質，但目標函數的優(yōu)化及聚類卻仍然存在問題;經典的神經網絡算法如BP神經網絡，RBF徑向基神經網絡，Hopfield神經網絡，ART自適應神經網絡，LVQ學

3、習向量量化，支持向量機等在訓練時間及聚類診斷準確率等也突出表現為效率低，聚類識別率低等問題。
　　本文提出了共空間模式(common spatial patterns CSP)的特征提取方法，結合快速神經網絡超限學習機方法進行聚類診斷進行研究，主要內容和創(chuàng)新性為:
　　1、將CSP引入模擬電路故障診斷特征提取，提出了基于共空間模式的模擬電路故障診斷方法:對模擬電路故障多類樣本數據進行PCA特征提取，減少樣本參數及其維數，實現

4、對來自多個通道的源數據降維，獲取數據量較小的特征數據，再采用CSP(MKCSP)方法將多類特征數據在同一個子空間上進行映射，求出其正交、白化和對角化矩陣變換后的投影，使多類故障模式間的投影方差最大，從而減少故障模式之間的重疊區(qū)間，提高故障診斷正確率。
　　2、提出了超限學習機的故障聚類診斷方法:基于對多種人工神經網絡學習算法模型進行研究，深入學習并仿真了其算法模型、神經網絡學習機訓練性能以及模擬電路故障聚類診斷識別率的效果，其都存

5、在著需要反復迭代，直到逼近某一函數值，訓練過程難以把握，訓練時間相對都較長，故障診斷識別率相對都較低等問題。本文基于Huang等人在單隱層前饋神經網絡(single-hidden layer feedforwardnetworks，SLFNs)的基礎上，設置合適的隱藏層節(jié)點數，為輸入權值和隱藏層偏差進行隨機賦值，隨機產生輸入層與隱含層間的連接權值及隱含層神經元的閾值，利用Moore-Penrose廣義逆求得的最小范數最小二乘解作為網絡輸

6、出權值，在訓練學習的過程中不需要任何調整，只需要設置隱含層神經元的個數，即可快速獲得全局唯一具有良好泛化性能的最優(yōu)解。
　　3、結合共空間模式特征提取方法和超限學習機的模擬電路故障聚類診斷方法，以Sallen-Key帶通濾波器為仿真電路，對共空間模式及超限學習機的快速神經網絡在模擬電路的故障聚類診斷應用進行研究，對Sallen-Key帶通濾波器電路故障特征數據進行PCA提取，采用CSP(MKCSP)方法將多類特征數據在同一個子空間

7、上進行映射，并運用核函數運算，降低非線性系統(tǒng)的計算量，通過正交及白化操作對采樣數據矩陣中的兩個矩陣同時對角化，從而獲得最優(yōu)投影方向，實現其中一個類別的特征信息方差最大化。投影空間里所包含信息相對于剩余的信息是更主要的，而在所選擇的多個特征向量張成的投影空間里，每類特征信息通過去相關性，建立多核共空間模型，得到多組對應的空域濾波器，對每組特征提取并經超限學習機實現聚類診斷，解決了多類別數據重疊存在模糊不可區(qū)分的問題。
　　4、本文研

8、究了應用于實際數?；旌想娐返臒o線移動數傳終端的故障聚類診斷的實現。實驗中采用示波器測量并獲得電路系統(tǒng)在正常及多種故障狀態(tài)下的節(jié)點電壓，應用共空間模式算法，將PCA提取的特征信息白化角化后構造獨立的空間濾波器，進行投影映射得到較為分立的特征信息，建立多類別空間濾波器，再利用超限學習機聚類器訓練、學習和聚類。雖然結果受測量工具的精度、測量變化的不穩(wěn)定、每次測量誤差、不同PCB廠家的制版材料（銅箔等）、電子元器件參數以及輸入信號的穩(wěn)定性等因素