基于人工蜂群支持向量机的模拟电路故障诊断 analog circuit fault diagnosis based on artificial bees colony support vector machine.pdfVIP

—— 薯e墓石TR{eP0w￡最￡≮81鞑芝ER{KG 第29卷第8期 电力科学与工程 V01．29．No．8 16 EIectricPowerSdenceand 2013年8月 Engin∞咖g Aug．，2叭3 基于人工蜂群支持向量机的模拟电路故障诊断 曾 涛1，赵 岚2 (1．燕山大学信息化处，河北秦皇岛066004； 2．秦皇岛职业技术学院机电工程系，河北秦皇岛066004) 摘要：支持向量机因其良好分类能力被广泛应用于故障诊断中，但是它的核参数对其分类性能有较大影 响，因此针对支持向量机参数选择问题，人工蜂群算法被用于搜索最优的支持向量机参数。首先对核参 数进行浮点数编码，之后利用人工蜂群的全局优化特性实现核参数的最优化。利用ucI数据库中的数据 对提出的方法进行了仿真验证，证明了其可行性，最终将其应用于模拟电路故障诊断中，利用ITc97中 的标准电路进行仿真验证，表明方法的有效性。 关键词：人工蜂群；支持向量机；核参数优化；模拟电路；故障诊断 中图分类号：TM406文献标识码：A DOI：10．3969／j．issn．1672一0792．2013．08．004 方法建立的支持向量机的评估函数，利用模拟退 O 引言 火算法对参数进行了优化。文献[6，7]分别利 用蚁群优化算法与小生境遗传算法对sVM核参数 20世纪90年代，Vapnik等在统计学习理论进行优化，都取得了较好的结果。 (sLT)的基础上提出一种新型机器学习方法—— 蜂群算法是建立在蜜蜂自组织模型和群体智 Vector 支持向量机(SupportMachine，SVM)。与 能基础上的一种非数值优化计算方法¨1。文献 神经网络等学习方法相比，支持向量机基于结构 [9]对蜂群算法在解决组合优化问题中的原理和 风险最小化原则，具有小样本学习、泛化能力强 应用方法，并将其应用于旅行商问题(TsP)等 等特点，能有效地避免过学习、局部极小点以及 问题。本文将人工蜂群算法应用于支持向量机的 “维数灾难”等问题¨’2。。目前，sVM的实用算法参数优化当中，对其应用方法进行了详细的阐述， 研究、设计和实现都已取得了丰硕的成果，并且 并利用ucI数据库中的数据对其进行了仿真，最 广泛应用于故障诊断、数据挖掘、文本识别”o等 终将其用于模拟电路故障诊断当中，取得了较好 领域。但是支持向量机的参数选择决定了其学习 的效果。 性能和泛化能力，由于在参数的选择范围内可选 择的数量是无穷的，在多个参数中盲目搜索最优 支持向量机及其参数分析 参数是需要极大的时间代价，并且很难逼近最优。 针对支持向量机的参数选择问题，很多学者进行 1．1支持向量机 了大量的研究，文献[4]在分析了几种评估 支持向量机就是寻找一个最优分类超平面， SVM性能的方法之后，利用梯度下降法对sVM参即最大间隔超平面。训练集为非线性时，通过一 数进行优化，取得了较好的效果，但是梯度下降 个非线性函数妒(戈)将训练集数据戈映射到一个 高维线性特征空间，在这个维数可能为无穷大的 法容易陷入局部极小值。文献[5]利用B00tstrap 收稿日期：2013—06—25。