2023年全國碩士研究生考試考研英語一試題真題(含答案詳解+作文范文)_第1頁
已閱讀1頁,還剩139頁未讀, 繼續(xù)免費(fèi)閱讀

下載本文檔

版權(quán)說明:本文檔由用戶提供并上傳,收益歸屬內(nèi)容提供方,若內(nèi)容存在侵權(quán),請(qǐng)進(jìn)行舉報(bào)或認(rèn)領(lǐng)

文檔簡介

1、數(shù)字電路因其集成度高、應(yīng)用性強(qiáng)、可靠性好等特點(diǎn),比模擬電路的發(fā)展更迅速。模擬電路因其測(cè)試與故障診斷技術(shù)研究的困難,也使得研究者們對(duì)數(shù)字電路投入了更多的人力、物力和財(cái)力,導(dǎo)致模擬電路在整個(gè)電路系統(tǒng)研究領(lǐng)域中所占的配比較少。但整個(gè)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(duì)于電路系統(tǒng)至關(guān)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(dú)立成分分析等都具有一定的局限性。在高維

2、數(shù)據(jù)特征數(shù)據(jù)提取過程中,往往需要更多的節(jié)點(diǎn)來增加數(shù)據(jù)的提取,導(dǎo)致了網(wǎng)絡(luò)的復(fù)雜化;曲線波分析對(duì)數(shù)據(jù)冗余的處理在重構(gòu)過程中影響了數(shù)據(jù)的精度;PCA方法雖然能夠在某方面有效的減少了樣本,但因?yàn)樽钚》讲畹耐队岸档土藬?shù)據(jù)的準(zhǔn)確度;獨(dú)立成分分析主要針對(duì)高階的統(tǒng)計(jì)來揭示隱藏在數(shù)據(jù)中的獨(dú)立的統(tǒng)計(jì)學(xué)本質(zhì),但目標(biāo)函數(shù)的優(yōu)化及聚類卻仍然存在問題;經(jīng)典的神經(jīng)網(wǎng)絡(luò)算法如BP神經(jīng)網(wǎng)絡(luò),RBF徑向基神經(jīng)網(wǎng)絡(luò),Hopfield神經(jīng)網(wǎng)絡(luò),ART自適應(yīng)神經(jīng)網(wǎng)絡(luò),LVQ學(xué)

3、習(xí)向量量化,支持向量機(jī)等在訓(xùn)練時(shí)間及聚類診斷準(zhǔn)確率等也突出表現(xiàn)為效率低,聚類識(shí)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(jié)合快速神經(jīng)網(wǎng)絡(luò)超限學(xué)習(xí)機(jī)方法進(jìn)行聚類診斷進(jìn)行研究,主要內(nèi)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(duì)模擬電路故障多類樣本數(shù)據(jù)進(jìn)行PCA特征提取,減少樣本參數(shù)及其維數(shù),實(shí)現(xiàn)

4、對(duì)來自多個(gè)通道的源數(shù)據(jù)降維,獲取數(shù)據(jù)量較小的特征數(shù)據(jù),再采用CSP(MKCSP)方法將多類特征數(shù)據(jù)在同一個(gè)子空間上進(jìn)行映射,求出其正交、白化和對(duì)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(xué)習(xí)機(jī)的故障聚類診斷方法:基于對(duì)多種人工神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)算法模型進(jìn)行研究,深入學(xué)習(xí)并仿真了其算法模型、神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)機(jī)訓(xùn)練性能以及模擬電路故障聚類診斷識(shí)別率的效果,其都存

5、在著需要反復(fù)迭代,直到逼近某一函數(shù)值,訓(xùn)練過程難以把握,訓(xùn)練時(shí)間相對(duì)都較長,故障診斷識(shí)別率相對(duì)都較低等問題。本文基于Huang等人在單隱層前饋神經(jīng)網(wǎng)絡(luò)(single-hidden layer feedforwardnetworks,SLFNs)的基礎(chǔ)上,設(shè)置合適的隱藏層節(jié)點(diǎn)數(shù),為輸入權(quán)值和隱藏層偏差進(jìn)行隨機(jī)賦值,隨機(jī)產(chǎn)生輸入層與隱含層間的連接權(quán)值及隱含層神經(jīng)元的閾值,利用Moore-Penrose廣義逆求得的最小范數(shù)最小二乘解作為網(wǎng)絡(luò)輸

6、出權(quán)值,在訓(xùn)練學(xué)習(xí)的過程中不需要任何調(diào)整,只需要設(shè)置隱含層神經(jīng)元的個(gè)數(shù),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(jié)合共空間模式特征提取方法和超限學(xué)習(xí)機(jī)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(duì)共空間模式及超限學(xué)習(xí)機(jī)的快速神經(jīng)網(wǎng)絡(luò)在模擬電路的故障聚類診斷應(yīng)用進(jìn)行研究,對(duì)Sallen-Key帶通濾波器電路故障特征數(shù)據(jù)進(jìn)行PCA提取,采用CSP(MKCSP)方法將多類特征數(shù)據(jù)在同一個(gè)子空間

7、上進(jìn)行映射,并運(yùn)用核函數(shù)運(yùn)算,降低非線性系統(tǒng)的計(jì)算量,通過正交及白化操作對(duì)采樣數(shù)據(jù)矩陣中的兩個(gè)矩陣同時(shí)對(duì)角化,從而獲得最優(yōu)投影方向,實(shí)現(xiàn)其中一個(gè)類別的特征信息方差最大化。投影空間里所包含信息相對(duì)于剩余的信息是更主要的,而在所選擇的多個(gè)特征向量張成的投影空間里,每類特征信息通過去相關(guān)性,建立多核共空間模型,得到多組對(duì)應(yīng)的空域?yàn)V波器,對(duì)每組特征提取并經(jīng)超限學(xué)習(xí)機(jī)實(shí)現(xiàn)聚類診斷,解決了多類別數(shù)據(jù)重疊存在模糊不可區(qū)分的問題。
  4、本文研

8、究了應(yīng)用于實(shí)際數(shù)?;旌想娐返臒o線移動(dòng)數(shù)傳終端的故障聚類診斷的實(shí)現(xiàn)。實(shí)驗(yàn)中采用示波器測(cè)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(diǎn)電壓,應(yīng)用共空間模式算法,將PCA提取的特征信息白化角化后構(gòu)造獨(dú)立的空間濾波器,進(jìn)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(xué)習(xí)機(jī)聚類器訓(xùn)練、學(xué)習(xí)和聚類。雖然結(jié)果受測(cè)量工具的精度、測(cè)量變化的不穩(wěn)定、每次測(cè)量誤差、不同PCB廠家的制版材料(銅箔等)、電子元器件參數(shù)以及輸入信號(hào)的穩(wěn)定性等因素

溫馨提示

  • 1. 本站所有資源如無特殊說明,都需要本地電腦安裝OFFICE2007和PDF閱讀器。圖紙軟件為CAD,CAXA,PROE,UG,SolidWorks等.壓縮文件請(qǐng)下載最新的WinRAR軟件解壓。
  • 2. 本站的文檔不包含任何第三方提供的附件圖紙等,如果需要附件,請(qǐng)聯(lián)系上傳者。文件的所有權(quán)益歸上傳用戶所有。
  • 3. 本站RAR壓縮包中若帶圖紙,網(wǎng)頁內(nèi)容里面會(huì)有圖紙預(yù)覽,若沒有圖紙預(yù)覽就沒有圖紙。
  • 4. 未經(jīng)權(quán)益所有人同意不得將文件中的內(nèi)容挪作商業(yè)或盈利用途。
  • 5. 眾賞文庫僅提供信息存儲(chǔ)空間,僅對(duì)用戶上傳內(nèi)容的表現(xiàn)方式做保護(hù)處理,對(duì)用戶上傳分享的文檔內(nèi)容本身不做任何修改或編輯,并不能對(duì)任何下載內(nèi)容負(fù)責(zé)。
  • 6. 下載文件中如有侵權(quán)或不適當(dāng)內(nèi)容,請(qǐng)與我們聯(lián)系,我們立即糾正。
  • 7. 本站不保證下載資源的準(zhǔn)確性、安全性和完整性, 同時(shí)也不承擔(dān)用戶因使用這些下載資源對(duì)自己和他人造成任何形式的傷害或損失。

最新文檔

評(píng)論

0/150

提交評(píng)論