论文部分内容阅读
随着当今智能电子产品的快速发展和渗透社会的各个方面,由此电路系统检测与诊断已成为极具研究价值的战略性课题。电路系统中模拟电路集成度越来越高,一旦发生故障将导致电路系统的瘫痪。模拟电路的非线性和容差性的问题使得传统的诊断方法和理论研究难以满足当下电路故障诊断需求,因此研究适用的和有效的模拟电路故障诊断方法显得尤为重要和急迫。随着群体算法和人工智能的迅速发展,为诊断理论和方法提供了新的有效途径。本文借此,以通用电路为对象分别从故障特征参数的提取、选择和故障分类器等方面进行研究,主要的研究工作和成果如下:(1)故障特征参数集提取和选择的研究。在故障特征参数集选择方面,本文采用自适应遗传算法(Adaptive Genetic Algorithm,AGA),AGA作为一种启发式搜索算法在最优化问题具有良好的效果。为保证特征参数之间的相关性,算法中适应度函数遵循散布矩阵规则,针对特征参数采样点的提取的原始特征参数采用二进制编码。通过实验验证在处理低维数据时拥有良好的效果。为了不局限于低维故障特征参数的处理能力,本文引入深度学习理论和方法。在高维特征参数提取方面进行了研究,利用深度学习网络稀疏自动编码机级联三层构建成堆叠自动编码机(Stack Auto-Encoder,SAE)。为了进一步提高堆叠自动编码机对高维数据提取能力的稳定性和准确性,文中研究了粒子群算法(Particle Swarm Optimization,PSO)对堆叠自动编码机网络权值和偏置的迭代寻优方法,然后进行实验验证了这一方法的可行性。(2)故障分类器的研究。本文以极限学习机(Extreme Learning Machine,简称ELM)作为故障分类器的基本网络,极限学习机网络具备参数配置少,权值和偏置随机赋值,网络学习速度和收敛快等特点。但是权值和偏置的随机赋值会对网络的稳定性有一定的影响,故文中提出了自适应狼群算法(Adaptive Wolf Pack Algorithm,简称AWPA)和构建了自适应狼群算法优化极限学习机的网络模型(AWPA-ELM)。其中自适应狼群算法是针对狼群算法(Wolf Pack Algorithm,简称WPA)在游走、召唤和围攻等行为缺乏学习能力,不能根据寻优空间和寻优资源的变化自我调整。文中引入自适应思想策略构建了自适应狼群算法,然后进行实验验证了该方法的可行性。