基于粒子群優(yōu)化LSSVM的模擬電路故障診斷方法

摘 要： 針對模擬電路故障診斷中存在的診斷信息不充分、參數(shù)容差及元器件的非線性等問題，利用最小二乘支持向量機（LSSVM）在小樣本情況下良好的學習能力和泛化能力建立基于LSSVM的模擬電路故障分類模型。同時為提高故障診斷精度，采用粒子群優(yōu)化（PSO）算法對LSSVM的參數(shù)進行優(yōu)化，避免了參數(shù)選擇的盲目性。最后以典型濾波器電路的故障診斷為例進行了仿真驗證。實驗結(jié)果證明基于PSO的LSSVM模型可有效改善遍歷搜索引起的效率問題，其故障分類準確性及模型診斷效率都得到提高。

關(guān)鍵詞： 模擬電路； 故障診斷； 粒子群優(yōu)化； 最小二乘支持向量機

中圖分類號： TN710?34； V241.4 文獻標識碼： A 文章編號： 1004?373X（2013）08?0035?04

0 引 言

模擬電路是現(xiàn)代集成電路中不可或缺的組成部分，由于模擬電路具有容差、非線性等特點，其故障診斷技術(shù)雖然起步較早，但發(fā)展速度明顯滯后于數(shù)字電路。近年來，基于人工智能的模擬電路故障診斷方法得到了廣泛應用，文獻[1?2]利用神經(jīng)網(wǎng)絡對模擬電路故障進行診斷，取得了較好的效果。

但是神經(jīng)網(wǎng)絡存在訓練時間長，易陷入局部極值等不足，文獻[3?5]采用支持向量機（Support Vector Machine，SVM）方法進行模擬電路故障診斷，該方法在診斷精度和診斷效率方面都優(yōu)于BP神經(jīng)網(wǎng)絡。當樣本數(shù)量增加，標準SVM存在訓練復雜度高，二次規(guī)劃問題難以求解等不足。

最小二乘支持向量機是在標準SVM的基礎上采用二次損失函數(shù)提高求解速度。同時，核函數(shù)的參數(shù)決定了樣本數(shù)據(jù)在高維特征空間分布的復雜程度，從而影響最優(yōu)分類超平面的泛化能力。……