模擬電路故障診斷中的特征提取方法

6、其它理論的特征提取方法

　　粗糙集理論是一種處理不完整性和不確定性問題的新型數(shù)學(xué)工具，在模式識(shí)別領(lǐng)域得到了成功應(yīng)用。它的主要優(yōu)勢(shì)是不需要任何先驗(yàn)或額外的數(shù)據(jù)信息，僅僅利用測(cè)得數(shù)據(jù)提供的信息便可發(fā)現(xiàn)其隱含的知識(shí)和規(guī)則，因此對(duì)問題的不確定性描述和處理比較客觀?；诖植诩?a class="contentlabel" href="http://2s4d.com/news/listbylabel/label/特征提取">特征提取方法是利用粗糙集的數(shù)據(jù)約簡能力，將特征提取的過程轉(zhuǎn)化為求取約簡的過程[14]，對(duì)待診斷系統(tǒng)的條件屬性和決策屬性進(jìn)行約簡，得到消除冗余和重復(fù)信息的最佳訓(xùn)練樣本集，也即最優(yōu)決策屬性集，以簡化神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)，提高系統(tǒng)診斷速度，為模擬電路在不完備征兆信息下的特征提取提供了一個(gè)新思路。

　　隨著非線性動(dòng)力學(xué)系統(tǒng)理論的發(fā)展，分形理論以其特殊的視角揭示了自然界和人類社會(huì)各種復(fù)雜現(xiàn)象中的規(guī)律性，它為處理非線性系統(tǒng)問題提供了又一個(gè)新思路和新方法。定量刻畫分形特征的參數(shù)是分形維數(shù)，它定量描述了分形集的復(fù)雜度，因此可以把細(xì)節(jié)信號(hào)的維數(shù)作為分類識(shí)別的特征。常用的維數(shù)是盒維數(shù)和信息維數(shù)，盒維數(shù)反應(yīng)了分形集的幾何尺度情況，信息維數(shù)反映了分形集在分布上的信息。文獻(xiàn)[15]針對(duì)通信信號(hào)的非平穩(wěn)、信噪比變化范圍較大的特點(diǎn)，運(yùn)用小波變換對(duì)通信信號(hào)進(jìn)行分解，對(duì)得到的細(xì)節(jié)信號(hào)計(jì)算盒維數(shù)和信息維數(shù)，維數(shù)中包含了區(qū)別不同調(diào)制類型所需的幅度、頻率和相位等主要信息，再把這些細(xì)節(jié)信號(hào)的維數(shù)作為通信信號(hào)調(diào)制類識(shí)別的特征，基于這種特征設(shè)計(jì)的分類器簡單、高效，且具有一定的抗噪聲性能。而模擬電路運(yùn)行狀態(tài)的特征信號(hào)在一定尺度范圍內(nèi)具有分形的特征，與小波變換、神經(jīng)網(wǎng)絡(luò)結(jié)合，可提高特征提取數(shù)量，提高故障診斷的有效性和可靠性。

7、結(jié)論

　　特征提取是模式識(shí)別的基礎(chǔ)環(huán)節(jié)，對(duì)模擬電路的故障診斷同樣重要，它強(qiáng)烈地影響分類器的設(shè)計(jì)及其性能，因此它是模擬電路故障診斷中的一個(gè)關(guān)鍵問題。本文總結(jié)了近年來在模擬電路故障診斷領(lǐng)域中常用的一些特征提取方法，主元分析等傳統(tǒng)統(tǒng)計(jì)分析方法采用線性變換解決電路響應(yīng)特征向量的降維問題；小波分析能夠把模擬電路響應(yīng)的非平穩(wěn)信號(hào)分解到不同層次不同頻道的序列上，有非常好的時(shí)頻特性；而基于信息熵、模糊理論和粗糙集的特征提取方法可以解決模擬電路中故障模式的不確定性問題，基于核函數(shù)的特征提取方法在非線性逼近和小樣本情況下有著優(yōu)越的推廣能力。上述各種方法各具優(yōu)勢(shì)及其不足，不能用一種方法完全取代另一種。因此，如何優(yōu)化各種特征提取方法或構(gòu)造出發(fā)揮各自優(yōu)點(diǎn)、功能互補(bǔ)且高效實(shí)用的特征提取融合方法，有效提取模擬電路的故障征兆，將是今后繼續(xù)研究的課題。
參考文獻(xiàn)

　　[1] Aminian F, Aminian M, H.W. Collins,Jr. Analog Fault Diagnosis of Actual Circuits using Neural Networks[J]. IEEE Transaction on Instrumentation and measurement, 2002, 51(3):544-550.
　　[2] 王承,陳光礻禹, 謝永樂.基于主元分析與神經(jīng)網(wǎng)絡(luò)的模擬電路故障診斷[J].電子測(cè)量與儀器學(xué)報(bào).2005,19(5):14-17.
　　[3] Mehran Aminian, Farzan Aminian. Neural-network based analog-circuit fault diagnosis using wavelet transform as preprocessor[J]. IEEE Transaction on Circuits and System II: Analog and Digital Signal Processing, 2000,47(2):151-156.
　　[4] Anna Wang, Junfang Liu et al. Algorithms Comparison of Feature Extraction and Multi-class Classification for Fault Diagnosis of Analog Circuit[C].Proceedings of 2007 International Conference on Wavelet Analysis and Pattern Recognition, 2007: 566-572.
　　[5] 譚陽紅,葉佳卓.模擬電路故障診斷的小波方法[J].電與信息學(xué)報(bào).2006,28(9):1748-1751 .
　　[6] 王承,陳光礻禹,謝永樂.基于動(dòng)態(tài)電源電流測(cè)試的模擬電流故障診斷[J].系統(tǒng)工程與電子技術(shù).2005, 27(3):413-415.
　　[7] Yigang He, Yanghong Tan, Yichuang Sun. Fault Diagnosis of Analog Circuits based on Wavelet Packets[C]. TENCON 2004 IEEE Region 10 Conference,2004:267-270.
　　[8] 吳欣,張博,陳濤.基于神經(jīng)網(wǎng)絡(luò)的大規(guī)模模擬電路故障檢測(cè)系統(tǒng)[J].計(jì)算機(jī)測(cè)量與控制.2004, 12(11):1049-1051.
　　[9] Januse A. Srarzky, Dong Liu, Zhi-hong Liu, et al. Entropy-Based Optimum Test Points Selection for Analog Fault Dictionary Techniques [J]. IEEE Transactions on Instrumentation and Measurement, 2004, 53(3): 754-761.
　　[10] 萬九卿,李行善.基于診斷信息量的測(cè)點(diǎn)選擇方法[J]. 電子測(cè)量與儀器學(xué)報(bào).2005, 19(5):1-5.
　　[11] 袁海英,陳光礻禹.基于最大故障信息量二元樹的模擬電路診斷法[J].儀器儀表學(xué)報(bào).2006, 27(12):1679-1682.
　　[12] Wan Jiuqing, Li Xingshan, Qin Shiyin. Kernel-based nonlinear feature extractor and its application in electronic circuit fault diagnosis [C].Proceedings of the 5th World Congress on Intelligent Control and Automation, 2004: 1775-1779.
　　[13] Yongkui Sun,Guangju Chen,Hui Li. Analog Circuits Fault Diagnosis Using Support Vector Machine[C]. International Conference on Communications, Circuits and Systems, 2007:1003-1006.
　　[14] Weiji Su,Yu Su,Hai Zhao, et al. Integration of Rough Set and Neural Network for Application of Generator Fault Diagnosis[C]. Proceedings of RSCTC, 2004:549-553.
　　[15] 郭雙冰.基于小波和分形理論的調(diào)制信號(hào)特征提取方法研究[J].信號(hào)處理.2005,21(3):316-318