[发明专利]一种用于模拟电路故障分类的改进型LSSVM建立方法

说明书

本发明提供了一种用于模拟电路故障分类的改进型LSSVM建立方法，步骤包括：对待测电路施加两种激励信号并分别设置相应的故障模式，在经过多次蒙特卡罗分析后，采集两种激励信号下的输出响应信号分别作为源域辅助数据集和目标域数据集；对两种输出响应信号分别进行小波包分解，提取故障特征，分别构成训练集样本和测试集样本；在最小二乘支持向量机中引入迁移学习算法，组成新的目标域数据集，再构建改进后的LSSVM分类器；利用训练集样本和测试集样本对改进后的LSSVM分类器进行训练和测试。本发明建立的改进型LSSVM能够自适应地选择相应频带，增强了对信号的分析能力，有利于后续分类，在样本数据较少的情况下，分类准确率要高于传统的LSSVM。

技术领域

本发明涉及一种改进型LSSVM建立方法，尤其是一种用于模拟电路故障分类的改进型LSSVM建立方法。

背景技术

在现代电子系统数模混合电路中，约有80％的故障发生在模拟电路部分。相对于数字电路，模拟电路的诊断测试更加复杂，电路的非线性、元件的容差性等问题对故障诊断技术提出了更高的要求。随着人工智能的快速发展，在模拟电路故障诊断中，众多学者应用了神经网络、模糊理论、支持向量机等技术，取得了较好的研究成果。

在收敛速度慢、训练结果存在随机性以及过学习等问题。而SVM是Vapnik等在统计学习理论的基础上提出的，具有良好的泛化和推广能力。由传统SVM延生出的最小二乘支持向量机简化了运算过程，将不等式转化成等式求解。但是这些方法未能克服传统机器学习的局限性：当训练和测试数据不是相同的数据分布时，训练得到的模型就需要持续更新；训练数据不足时也不能得到很好的分类模型。在实际应用中，模拟电路受到制造工艺、噪声、热效应等因素的影响，数据之间存在一定的分布差异，这会影响模型分类器的分类诊断效果。

发明内容

本发明的目的在于：提供一种用于模拟电路故障分类的改进型LSSVM建立方法，能够利用建立的改进型LSSVM对模拟电路故障进行分类识别。

为了解决上述技术问题，本发明提供了一种用于模拟电路故障分类的改进型LSSVM建立方法，包括如下步骤：

步骤1，对待测电路施加两种激励信号并分别设置相应的故障模式，在经过多次的蒙特卡罗分析后，采集两种激励信号下的输出响应信号分别作为源域辅助数据集和目标域数据集，并对两种输出响应信号做数据预处理；

步骤2，对数据预处理后的两种输出响应信号分别进行小波包分解，提取小波系数的最大绝对值作为故障特征，分别构成训练集样本和测试集样本；

步骤3，在最小二乘支持向量机中引入迁移学习算法，将源域辅助数据集迁移至目标故障训练的目标域数据集中，组成新的目标域数据集，再构建改进后的LSSVM分类器；

步骤4，利用训练集样本和测试集样本对构建的改进后的LSSVM分类器进行训练和测试。

进一步地，步骤1中，两种激励信号分别为5V、1kHz的正弦波以及10μs、5V的脉冲波。

进一步地，步骤2中，小波包分解的具体步骤为：将输出响应信号经过一层小波包分解得到第一层的低频信号和高频信号，再分别对第一层的低频信号和高频信号进行分解，分别得到第二层的低频信号和高频信号，持续分解得到第N层小波包分解后的低频信号和高频信号。

进一步地，步骤2中，提取小波系数的最大绝对值的步骤为：经过N层小波包分解后得到2^N个小波包系数序列，然后选取每个序列中所有数值的绝对值最大的数作为故障特征，最终得到2^N个故障特征。

进一步地，步骤3中，改进后的LSSVM分类器在原LSSVM分类器的目标函数中增加源域辅助数据集的误差惩罚项构成的。

进一步地，步骤3中，改进后的LSSVM分类器的目标函数为：