×
王玲；周，东方；田慧；张浩；张伟

基于半监督算法的模拟电路参数故障诊断。 （英语） Zbl 1416.94080号

对称性 11，第2号，第228号论文，第15页（2019年）.
摘要：模拟电路的参数化故障诊断对于状态维修（CBM）的预测和健康管理至关重要。为了提高工程应用中参数化故障的诊断率，采用半监督机器学习算法对参数化故障进行分类。采用提升小波变换提取故障特征，采用局部保持映射算法优化Fisher线性判别分析，采用半监督协同训练算法进行故障分类。在该方法中，在一系列参数故障区间内随机选取故障值作为训练样本，以优化模型的泛化，提高故障诊断率。此外，在应用半监督降维和半监督分类后，通过固定分析分量的值，诊断率略高于现有的训练模型。

MSC公司：

94C12号机组 故障检测；电路和网络测试

关键词：

故障诊断；提升小波；局部保持投影；Fisher线性判别分析；半监督随机森林

软件：

GeneSrF公司
PDF格式BibTeX公司 XML格式引用
\textit{L.Wang}等人，Symmetry 11，No.2，论文编号228，15 p.（2019年；Zbl 1416.94080）
全文： 内政部

参考文献：

[1] 唐，S。；李，Z。；Chen，L；使用Hilbert-Huang变换和相干分析在模拟和混合信号电路中进行故障检测：荷兰阿姆斯特丹，2015年。
[2] Wang，Y.H。；闫，Y.Z。；信号，S。；基于小波的双四阶高通滤波电路故障诊断特征提取；数学。问题。工程：2016年；2016年第1卷至第13卷。
[3] Zhang，C.L。；He，Y.G。；元，LF。；基于GMKL-SVM和PSO的模拟电路故障诊断新方法；J.电子。测试-理论应用：2016; 第32卷，531-540。
[4] Long，Y。；熊永杰。；He，Y.G。；基于熵和Haar小波变换的伪随机测试和预处理的开关电流电路故障诊断新方法；模拟集成电路。电路信号处理：2017年；第91卷，445-461。
[5] 李J.M。；双树复小波包变换在故障诊断中的应用；农业食品工业高新技术：2017年；第28卷，406-410。
[6] 谢，X。；李，X。；毕，D。；周，Q。；谢S。；谢毅。；基于Rényi熵的模拟电路软故障诊断；J.电子。测试：2015; 第31卷，第217-224页。
[7] Long，T。；江，S。；罗，H。；邓，C。；基于条件熵的模拟电路故障检测特征选择；Dyna:2016年；第91卷，309-318。
[8] He，W。；何毅。；李，B。；张，C。；基于交叉小波奇异熵和参数t-SNE的模拟电路故障诊断；熵：2018；第20卷。
[9] 宋，P。；何毅。；崔伟。；基于FRFT的模拟电路故障诊断统计特性特征提取；模拟集成电路。电路信号处理：2016; 第87卷，427-436。
[10] 赵，D。；何毅。；基于混沌和多普勒效应的模拟故障诊断二进制bat算法；模拟集成电路。电路信号处理：2016; 第87卷，437-450。
[11] Prieto-Moreno，A。；Llanes Santiago，O。；加西亚·莫雷诺，E。；基于判别信息的主成分选择降维方法在故障诊断中的应用；J.过程控制：2015年；第33卷，14-24页。
[12] 哈达德，R.Z。；斯特兰加，E.G。；基于MCSA/MVSA和LDA的永磁同步电机故障检测与分离精度研究；IEEE传输。能源转换：2016; 第31卷，924-934。
[13] 杉山，M。；基于局部Fisher判别分析的多模标记数据降维；J.马赫。学习。决议：2007年；第8卷，1027-1061·Zbl 1222.68312号
[14] 斯皮纳，R。；Upadhyaya，S。；基于神经形态分析仪的线性电路故障诊断；IEEE传输。电路系统。II模拟数字。信号处理：1997; 第44卷，188-196年。
[15] 贾伟。；赵，D。；沈，T。；丁，S。；Zhao，Y。；胡，C。；基于PLS和HCA的BP神经网络优化分类算法；申请。智力：2015; 第43卷，1-16。
[16] 袁，Z。；何毅。；袁，L。；基于改进KECA和最小方差ELM的模拟电路诊断方法；IOP Conf.系列。马特。科学。工程：2017。
[17] Yu，W.X。；隋，Y。；Wang，J。；基于FA-TM-ELM的模拟电路故障诊断分析；J.电子。测试：2016; 第32卷，1-7。
[18] 马奇。；何毅。；周，F。；模拟电路故障诊断的支持向量机决策树方法；模拟集成电路。电路信号处理：2016; 第88卷，455-463。
[19] 崔玉强。；史J.Y。；Wang，Z.L。；基于量子聚类多值量子模糊决策树的模拟电路故障诊断；测量：2016年；第93卷，421-434。
[20] 刘，Z.B。；贾，Z。；冯，C.M。；通过深度学习获取富含电子产品的模拟系统的高判别故障特征；IEEE传输。指示信息：2017年；第13卷，1213-1226。
[21] 庄，L。；Zhou，Z。；高，S。；尹，J。；林，Z。；马云（Ma，Y.）。；基于标签信息的半监督学习图形构建；IEEE传输。图像处理：2017年；第26卷，4182-4192·Zbl 1409.94801号
[22] 周，X。；普拉萨德，S。；基于形态分量分析的主动半监督学习在高光谱图像分类中的应用；IEEE地质科学。遥感快报：2017年；第26卷，1-5。
[23] 郭明，S。；侯骏，W。；洪，L。；基于提升小波变换和SVM的模拟电路故障诊断；J.电子。测量。仪器：2010; 第24卷，17-22。
[24] Qing，Y。；冯·T。；大直，W。；W.东升。；Anna，W。；基于提升小波和递归LSSVM的实时故障诊断方法；下巴。科学杂志。仪器：2011; 第32卷，596-602。
[25] 潘，H。；Siu，W.C。；法律，N.F。；基于提升小波变换和改进SPIHT的快速低内存图像编码算法；信号处理。图像通信：2008; 第23卷，146-161。
[26] 侯，X。；杨，J。；江，G。；钱，X。；基于方向提升小波变换的高聚类复SAR图像压缩；IEEE传输。地质科学。遥感：2013年；第51卷，527-538。
[27] 罗伊，A。；Misra，A.P。；基于混沌Hénon映射和提升小波变换的音频信号加密；欧洲物理学。J.Plus:2017年；第132524卷。
[28] Chiang，L.H。；科坦切克，M.E。；Kordon，A.K。；基于Fisher判别分析和支持向量机的故障诊断；计算。化学。工程：2004年；第28卷，1389-1401。
[29] Yin，Y。；Hao，Y。；Bai，Y。；Yu，H。；基于高斯核Fisher判别分析的电子鼻数据及其在白酒和醋分类中的应用；J.膳食。特征：2017年；第11卷，24-32。
[30] 李，C。；蒋，K。；X.赵。；风扇，P。；王，X。；刘，C。；基于k近邻和Fisher判别分析的甜瓜种子品种光谱识别；AOPC 2017会议记录：光学光谱学和成像：。
[31] 王，Z。；阮，Q。；安·G。；基于稀疏局部Fisher判别分析的面部表情识别；神经计算：2016年；第174卷，756-766页。
[32] 于清。；王，R。；李，B.N。；杨，X。；姚，M。；基于余弦差异度的鲁棒保局部投影线性降维；IEEE接入：2017年；第5卷，2676-2684。
[33] 杉山，M。；Ide，T。；南岛中岛。；Sese，J。；用于降维的半监督局部Fisher判别分析；机器。学习。：2010; 第78卷，第35卷·Zbl 1470.68180号
[34] 王，S。；卢，J。；顾，X。；杜，H。；杨，J。；用于降维和分类的半监督线性判别分析；图案识别：2016; 第57卷，179-189·Zbl 1412.68195号
[35] Cheng，G。；朱，F。；项，S。；Wang，Y。；潘，C。；基于判别分析和稳健回归的半监督高光谱图像分类；IEEE J.选择。顶部。申请。地球观测卫星遥感：2017年；第9卷，595-608。
[36] Blum，A。；米切尔，T。；将标记和未标记数据与联合训练相结合；第十一届计算学习理论年会论文集：，92-100.
[37] Zhao，J.H。；魏华，L.I。；基于协同训练的半监督分类算法Co-S3OM；申请。Res.计算：2013; 第30卷，3237-3239。
[38] Díaz-Uriarte，R。；De Andres，S.A.公司。；基于随机森林的微阵列数据的基因选择和分类；BMC生物信息：2006; 第7卷。
[39] 比利时，M。；阿古博士，L。；遥感中的随机森林：应用综述和未来方向；ISPRS J.摄影。遥感：2016年；第114卷，24-31页。
[40] 李，C。；R.V.桑切斯。；苏里塔，G。；塞拉达，M。；Cabrera，D。；瓦斯奎兹，R.E。；基于声振信号深度随机森林融合的齿轮箱故障诊断；机械。系统。信号处理：2016; 第76卷，283-293。
[41] 梅勒，A。；Boukir，S。；海伍德，A。；琼斯，S。；利用集合边缘探讨大面积土地覆盖分类中随机森林表现的训练数据不平衡和标记错误问题；ISPRS J.摄影。遥感：2015年；第105卷，第155-168页。
[42] 姜瑜。；Wang，Y。；罗，H。；基于二次映射SVDD的模拟电路故障诊断；模拟集成电路。电路信号处理：2015; 第85卷，395-404。
此参考列表基于出版商或数字数学图书馆提供的信息。其项与zbMATH标识符进行启发式匹配，可能包含数据转换错误。在某些情况下，zbMATH Open的数据对这些数据进行了补充/增强。这试图尽可能准确地反映原始论文中列出的参考文献，而不要求完整或完全匹配。