模擬電路故障診斷Adaboost集成學習方法研究.pdf

1、課題來源于重慶市交通委員會所立項目“三峽庫區(qū)運輸船舶節(jié)能實用技術研究”，研發(fā)船用柴油機油耗儀表。
　　 對于現(xiàn)代電子系統(tǒng)，模擬電路日益復雜，出現(xiàn)故障的可能性也隨之增大，對模擬電路的故障診斷也越加困難。若船用儀表的模擬電路出現(xiàn)故障，會影響船用儀表測量的準確性和運行的穩(wěn)定性，而導致儀表故障。為了增加船用柴油機油耗儀表測量的準確性和運行的穩(wěn)定性，在研發(fā)船用柴油機油耗儀表的同時，開展模擬電路故障診斷方法的研究，在不影響油耗儀表原有功能的

2、基礎上，增加模擬電路故障診斷功能，使油耗儀表具有故障自診斷的功能。
　　 用無窮維AdaBoost集成學習算法進行模擬電路故障診斷。進行模式識別時，分類精度較高的強分類器不容易找到，分類精度比隨機猜測略好的弱分類器很容易找到，AdaBoost集成學習算法集成多個弱分類器而成為一個強分類器，從而避免了直接去尋找強分類器，為了進一步增加AdaBoost集成學習算法的分類精度，將AdaBoost集成學習算法的弱分類器數(shù)量增加到無窮多個

3、，用無窮維AdaBoost集成學習算法進行模擬電路故障診斷。
　　 本文采用支持向量機實現(xiàn)無窮維AdaBoost集成學習算法，從如下幾個方面分析AdaBoost集成學習算法和支持向量機之間的聯(lián)系：
　　 (1)用LP范數(shù)理論，從樣本分類超平面最大邊界這一角度，分析AdaBoost集成學習算法的優(yōu)化目標，得出AdaBoost集成學習算法和支持向量機的優(yōu)化目標完全相同的結論。
　　 (2)分析AdaBoost集成學習

4、算法和支持向量機分類器分類器的相同點，通過設定條件，使支持向量機的分類器滿足AdaBoost集成學習算法對其強分類器的要求。
　　 (3)分析支持向量機的映射ψ(x)與AdaBoost集成學習算法弱分類器h(x)之間的相同點，通過設定條件，使支持向量機的映射分量ψ(x)與AdaBoost集成學習算法弱分類器h(x)建立聯(lián)系。
　　 因為以上所設定AdaBoost集成學習算法和支持向量機之間的聯(lián)系，因此可以用支持向量機實現(xiàn)

5、無窮維AdaBoost集成學習算法。實現(xiàn)無窮維AdaBoost集成學習算法的關鍵是建立一個新的支持向量機核函數(shù)，使此核函數(shù)集成無窮多個AdaBoost集成學習算法的弱分類器。
　　 用Matlab6．5編寫無窮維AdaBoost集成學習算法程序，用無窮維AdaBoost學習方法進行模擬電路故障診斷。故障診斷結果表明：無窮維AdaBoost集成學習算法分類精度優(yōu)于有限維AdaBoost集成學習算法，使用無窮維AdaBoost集成學