集成散度的MKL模型在模拟电路诊断中的应用

摘要：

为提升模拟电路故障诊断精度,结合基于故障特征间一维模糊度的特征选择算法,提出一种新的多核超限学习机诊断模型.该模型通过设置虚拟的基核,将正则化参数融入基核权重求解过程中;同时,通过将特征空间类内散度集成到多核优化目标函数中,在最小化训练误差的同时,使得同一模式的故障样本更加集中,有效提升了故障模式间的辨识力.通过两个模拟电路诊断实例表明:相比于单核学习算法,所提方法可以显著提升诊断精度,并且可以将难以辨识的故障样本更加准确地隔离到相应模糊组中;相比于一般的多核学习算法,所提方法在取得相似诊断精度的同时,时间花费更少.

关键词：故障诊断、多核学习、散度矩阵、超限学习机、自适应正则化

所属期刊栏目：54

分类号：TP181;V243(自动化基础理论)

资助基金：国家自然科学基金51605487;山东省自然科学基金ZR2016FQ03

在线出版日期：2018-06-15（万方平台首次上网日期，不代表论文的发表时间）

页数：共9页

页码：5-12,115