改进引力搜索算法优化的SVM模拟电路故障诊断

梅恒荣; 刘冬梅; 何怡刚; 殷礼胜; 赵丽欣; 赵蓓蕾

Chinese

您当前的位置：

首页 >

文章列表页 >

改进引力搜索算法优化的SVM模拟电路故障诊断

更新时间：2026-09-04

- 改进引力搜索算法优化的SVM模拟电路故障诊断
- Analogue Circuit Fault Diagnosis Based on SVM Optimized by IGSA
- 微电子学与计算机 2018年35卷第5期页码：109-115
- 作者机构：
  
  合肥工业大学电气与自动化工程学院,安徽,合肥,230009
- 作者简介：
- 基金信息：
  
  国家自然科学基金 51577046国家自然科学基金 11105037国家自然科学基金重点项目 51637004安徽省科技计划重点项目 130102203
- DOI：
  中图分类号：
- 纸质出版：2018
- 稿件说明：
移动端阅览
梅恒荣, 刘冬梅, 何怡刚, 殷礼胜, 赵丽欣, 赵蓓蕾. 改进引力搜索算法优化的SVM模拟电路故障诊断[J]. 微电子学与计算机, 2018, 35(5): 109-115.

MEI Heng-rong, LIU Dong-mei, HE Yi-gang, et al. Analogue Circuit Fault Diagnosis Based on SVM Optimized by IGSA[J]. 2018, 35(5): 109-115.
梅恒荣, 刘冬梅, 何怡刚, 殷礼胜, 赵丽欣, 赵蓓蕾. 改进引力搜索算法优化的SVM模拟电路故障诊断[J]. 微电子学与计算机, 2018, 35(5): 109-115. DOI：

MEI Heng-rong, LIU Dong-mei, HE Yi-gang, et al. Analogue Circuit Fault Diagnosis Based on SVM Optimized by IGSA[J]. 2018, 35(5): 109-115. DOI：

摘要

文本在引力搜索算法(GSA) 的基础上

通过引入粒子群算法中的惯性权重和全局记忆性、时变引力搜索策略和边界变异策略

提出一种改进引力搜索算法(IGSA) 来优化SVM参数(IGSA-SVM) 的改进型分类器.首先选取三个UCI数据集进行仿真分析

结果表明IGSA-SVM分类器在分类准确率和分类时间上优于GS-SVM、GASVM、PSO-SVM和GSA-SVM分类器.然后分别采用线性和非线性模拟电路来进行故障诊断

结果表明IGSASVM分类器能有效地防止局部收敛并提高了诊断的优化效率.

Abstract

This paper proposes a modified classifier that uses the improved gravity search algorithm (IGSA) to optimize the parameter of SVM (IGSA-SVM) by introducing the inertia weight and global memory in particle swarm algorithm

time-varying gravitational search strategy and boundary mutation strategy.At first

three UCI datasets are selected for simulation analysis

and the results show that IGSA-SVM classifier is better than GS-SVM

GASVM

PSO-SVM and GSA-SVM classifiers in classification accuracy and classification time.Then the linear and nonlinear analog circuits are used as fault diagnosis circuits respectively

and the results show that the IGSA-SVM classifier can effectively prevent local convergence and improve the efficiency of diagnosis.

关键词

Keywords

references

邓乃扬, 田英杰. 支持向量机: 理论、算法与拓展[M]. 北京: 科学出版社, 2009.

Long B, Xian W, Li M, et al. Improved diagnostics for the incipient faults in analog circuits using LSSVM based on PSO algorithm with Mahalanobis distance[J]. Neurocomputing, 2014, 133 (10): 237-248. DOI: 237

孙永奎. 基于支持向量机的模拟电路故障诊断方法研究[D]. 成都: 电子科技大学, 2009.

Rashedi E, Nezamabadi-pour H, Saryazdi S. GSA: a gravitational search algorithm[J]. Information Sciences, 2009, 179 (13): 2232-2248. DOI: 2232

Yuan L, He Y, Huang J, et al. A new neural-network-based fault diagnosis approach for analog circuits by using kurtosis and entropy as a preprocessor[J]. IEEE Transactions on Instrumentation % amp; amp; Measurement, 2010, 59 (3): 586-595. DOI: 586

Chen P, Yuan L, He Y, et al. An improved SVM classifier based on double chains quantum genetic algorithm and its application in analogue circuit diagnosis[J]. Neurocomputing, 2016, 211: 202-211. DOI: 202

Li J, Zhang Q, Wang K, et al. Optimal dissolved gas ratios selected by genetic algorithm for power transformer fault diagnosis based on support vector machine[J]. IEEE Transactions on Dielectrics % amp; amp; Electrical Insulation, 2016, 23 (2): 1198-1206. DOI: 1198

Liu N, Zhao J. Intrusion detection research based on improved PSO and SVM[C]//International Conference on Automatic Control and Artificial Intelligence. IET, 2012: 1263-1266.

许军, 张耀辉, 陈圣俭, 等. 基于结点电压增量的模拟电路多故障诊断方法研究[J]. 微电子学与计算机, 2015, 32 (2): 138-141. DOI: 138

张向东, 冯胜洋, 王长江. 基于网格搜索的支持向量机砂土液化预测模型[J]. 应用力学学报, 2011, 28 (1): 24-28. DOI: 24

浏览量

下载量

CSCD

文章被引用时，请邮件提醒。

提交

工具集

关联资源

基于IGWO算法优化的SVM模拟电路故障诊断

高流量负荷下基于支持向量机的空间数据聚类方法

深度信念网在模拟电路故障诊断中的应用研究

一种混沌人工鱼群算法对SVM参数的优化及应用

一种支持扩展指标体系的SSUT网络安全态势评估