基于粒子群优化LSSVM模拟电路故障诊断方法.docVIP

基于粒子群优化LSSVM模拟电路故障诊断方法 　　摘 要： 针对模拟电路故障诊断中存在的诊断信息不充分、参数容差及元器件的非线性等问题，利用最小二乘支持向量机（LSSVM）在小样本情况下良好的学习能力和泛化能力建立基于LSSVM的模拟电路故障分类模型。同时为提高故障诊断精度，采用粒子群优化（PSO）算法对LSSVM的参数进行优化，避免了参数选择的盲目性。最后以典型滤波器电路的故障诊断为例进行了仿真验证。实验结果证明基于PSO的LSSVM模型可有效改善遍历搜索引起的效率问题，其故障分类准确性及模型诊断效率都得到提高。 　　关键词： 模拟电路； 故障诊断； 粒子群优化； 最小二乘支持向量机 　　中图分类号： TN710?34； V241.4 文献标识码： A 文章编号： 1004?373X（2013）08?0035?04 　　0 引 言 　　模拟电路是现代集成电路中不可或缺的组成部分，由于模拟电路具有容差、非线性等特点，其故障诊断技术虽然起步较早，但发展速度明显滞后于数字电路。近年来，基于人工智能的模拟电路故障诊断方法得到了广泛应用，文献[1?2]利用神经网络对模拟电路故障进行诊断，取得了较好的效果。 　　但是神经网络存在训练时间长，易陷入局部极值等不足，文献[3?5]采用支持向量机（Support Vector Machine，SVM）方法进行模拟电路故障诊断，该方法在诊断精度和诊断效率方面都优于BP神经网络。当样本数量增加，标准SVM存在训练复杂度高，二次规划问题难以求解等不足。 　　最小二乘支持向量机是在标准SVM的基础上采用二次损失函数提高求解速度。同时，核函数的参数决定了样本数据在高维特征空间分布的复杂程度，从而影响最优分类超平面的泛化能力。文献[6]提出采用交叉验证的网格搜索法进行参数寻优，有效避免了过学习和欠学习状态的发生。 　　当需要进一步提高准确率时，必须扩大参数的搜索范围或降低网格的大小，运算复杂度呈指数型增长，运算时间急剧增加[7]。本文借助粒子群算法强大的全局搜索能力对LSSVM的参数进行优化，将训练后LSSVM模型用于模拟电路的故障诊断中。 　　1 最小二乘支持向量机 　　最小二乘支持向量机（Least Square Support Vector Machine，LSSVM）是由Suykens于1999年提出的一种新型支持向量机[8]。 　　该模型将最小二乘线性系统引入到支持向量机中，用二次损失函数代替SVM中的不敏感损失函数，通过损失函数将SVM中的二次寻优转化为求解线性方程组，从而降低了计算的复杂程度。 　　设有[N]个样本[xi]及其所属类别[yi]，求解最小二乘支持向量机分类最优化问题的目标函数为： 　　[minω，β，ξJ（ω，β，ξ）=12ω2+12Ci=1Nξ2i] （1） 　　[s.t. yi[ωT?（xi）+β]=1-ξi， i=1，2，…，N] （2） 　　式中：[J（ω，β，ξ）]为结构风险；[ω]为权向量；[ξi∈RN×1]为误差向量；[β∈R]为偏置项；[C0]表示对错分样本的惩罚系数。 　　引入Lagrange乘子[αi]求解优化问题： 　　[L（ω，β，ξ；αi）=J（ω，ξi）-i=1nαi{yi[ωT?（xi）+β]-1+ξi}] （3） 　　根据Karush?Kuhn?Tucker条件在鞍点处将式（3）分别对[ω，β，ξ]和[αi]进行求导并令它们等于0，可得到一个线性系统： 　　[0yTyZZT+C-1Iβα= 11N] （4） 　　式中：[Z=[?（x1），…，?（xN）]T]，[y=[y1，…，yN]T]，[1N=[1，…，1]T]，[ξ=[ξ1，…，ξN]T]，[α=[α1，…，αN]T]，[I=R×R]。 　　定义矩阵[Ω=ZZT]并对[Ω]运用Mercer条件，则： 　　[Ωi，j=yiyj?T（xi）（xj）=yiyjK（xi，xj）] （5） 　　式中：[K（xi，xj）]表示核函数，用于特征空间的转换。常用的有线性核函数（Linear Kernel）、多项式核函数（Polynomial Kernel）、Sigmoid核函数和径向基核函数（Radial Basis Function Kernel， RBF）[9]。RBF核函数与线性函数相比，可处理多维空间样本；与多项式核函数相比，所需设定的参数较少。实际上，文献[10]证明了线性核函数和多项式核函数是高斯RBF核函数的特殊形式。本文以RBF核函数[K（x，y）=exp（-γx-y2）]建立支持向量机模型。其中[γ]为核宽度参数，控制RBF核的作用范围，则LSSVM分类决策函数为： 　　[f（x）=signi=1NαiyiK（xi，xj）+β] （6） 　　因此，采用RBF核函数的LSSVM需要对核函数