CINgydF4y2Ba 计算智能和神经科学gydF4y2Ba 1687 - 5273gydF4y2Ba 1687 - 5265gydF4y2Ba Hindawi出版公司gydF4y2Ba 10.1155 / 2014/740838gydF4y2Ba 740838年gydF4y2Ba 研究文章gydF4y2Ba 测试生成的模拟电路故障检测算法基于极限学习机gydF4y2Ba 周gydF4y2Ba 宇gydF4y2Ba 田gydF4y2Ba ShulingydF4y2Ba 杨gydF4y2Ba ChenglingydF4y2Ba 任gydF4y2Ba XuelonggydF4y2Ba 埃尔南德斯gydF4y2Ba j .阿尔弗雷多gydF4y2Ba 自动化工程学院gydF4y2Ba 成都电子科技大学,611731gydF4y2Ba 中国gydF4y2Ba uestc.edu.cngydF4y2Ba 2014年gydF4y2Ba 29日gydF4y2Ba 12gydF4y2Ba 2014年gydF4y2Ba 2014年gydF4y2Ba 29日gydF4y2Ba 09年gydF4y2Ba 2014年gydF4y2Ba 15gydF4y2Ba 12gydF4y2Ba 2014年gydF4y2Ba 29日gydF4y2Ba 12gydF4y2Ba 2014年gydF4y2Ba 2014年gydF4y2Ba 版权©2014井宇周et al。gydF4y2Ba 这是一个开放的文章在知识共享归属许可下发布的,它允许无限制的使用,分布和繁殖在任何媒介,提供最初的工作是正确的引用。gydF4y2Ba

本文提出了一种新颖的基于极限学习机的测试生成算法(ELM)和模拟算法是具有成本效益和低风险等测试设备(DUT)。这种方法使用测试模式来源于刺激DUT测试生成算法,然后样本输出响应DUT的故障分类和检测。小说ELM-based测试生成算法在本文中主要包含三个方面的创新。首先,该算法有效地节省时间,分类响应空间榆树。其次,该算法可以有效地避免减少测试精度的降低脉冲响应样本的数量。第三,新流程的测试信号发生器和一个测试结构测试生成算法,和他们都是非常简单的。最后,上述改进和功能在实验证实。gydF4y2Ba

 1。介绍gydF4y2Ba

用于测试的集成电路(ic)和系统芯片(soc),测试精度和成本是很重要的。一方面,它不是有效的对模拟电路进行分类主题参数错误如果测试应用程序需要很长时间越来越快速应用的ICs和出类拔萃。另一方面,很难应用传统的功能测试与soc ICs混合,这过于复杂的功能测试。因此,这个测试生成算法作为一种新的测试策略(gydF4y2Ba 1gydF4y2Ba- - - - - -gydF4y2Ba 5gydF4y2Ba]。以前,这种方法用于故障分类基础上通过输入不同的正弦波信号响应。Balivada等人提出使用一些识别信号获取索引如延迟和上升时间,为了计算不同参数对信号分类(1996年gydF4y2Ba 3gydF4y2Ba]。Hamida等人提出和开发方法和软件进行敏感测试在1996年为ICs (gydF4y2Ba 4gydF4y2Ba]。然而,它几乎成为自动限制。1995年,Devarayanadurg和Soma提出方法的最小/最大测试ICs的运作情况良好(gydF4y2Ba 5gydF4y2Ba),需要建立一个反应空间的测试设备(DUT)模拟。然而,这样的要求是太高的时间成本大电路。有无数种方法。模拟测试生成不同于古典数字测试生成。这个经典的数字测试生成只考虑断层模型如0 - 1,拖延的缺点,和桥梁的缺点。模拟电路的测试生成算法比经典数字测试生成算法总是更加困难,因为很多问题连续时间波形和宽容等参数。gydF4y2Ba

模拟测试技术主要包括两个部分:测试生成和故障诊断。有许多研究故障诊断(gydF4y2Ba 6gydF4y2Ba- - - - - -gydF4y2Ba 16gydF4y2Ba]。杨等人在2009年提出一个关于模拟电路故障字典的方法(gydF4y2Ba 7gydF4y2Ba,gydF4y2Ba 8gydF4y2Ba]。这个方法很简单,但它是相对复杂的这本字典的建立。2011年,Ting提出了一种基于组件的连接模型的模拟电路故障诊断方法(CCM) [gydF4y2Ba 6gydF4y2Ba),它可以正确地实现故障定位。然而,CCM的规模将成为更大的增加电路的复杂性。李等人提出了一个测试方法最优噪声通过卡尔曼滤波器估计在2013年(gydF4y2Ba 9gydF4y2Ba]。在这种方法中,测试中的各种噪声干扰是充分考虑,但噪声估计的过程是比较复杂的。如今,将机器学习引入到模拟电路测试作为故障诊断研究的热点,特别是对广泛应用的支持向量机(SVM)是一种有效的分类器gydF4y2Ba 10gydF4y2Ba- - - - - -gydF4y2Ba 16gydF4y2Ba]。这些方法具有分类各种故障的特点通过分类器故障诊断的目的。这一类的方法总是有利的测试效果。然而,这些方法的研究重点集中在故障诊断。因此,测试生成是被忽视的。gydF4y2Ba

模拟测试生成算法主要是将数字测试生成的概念引入到模拟电路测试。区别在于说模拟电路故障诊断方法。模拟测试生成算法的主要目的是生成测试信号故障诊断所必需的。测试信号必须能够激励的错。换句话说,故障应该是可以被探测到,以便结构快速和方便的在线测试平台。近年来,从事模拟电路测试生成的研究更少。锅和程提出一个具有成本效益的方法来检测参数错误1999年在线性定常(LTI)模拟电路(gydF4y2Ba 1gydF4y2Ba]。该方法有别于传统技术,并使用有限数量的派生测试模式作为输入的刺激和未经加工的DUT利用感知器输出故障检测和分类。该方法具有良好的分类性能,但不充分的测试精度。长等人提出一个模拟系统的测试生成算法基于支持向量机(SVM)在2011年[gydF4y2Ba 2gydF4y2Ba]。该算法与测试精度高使用SVM的低维非线性响应空间映射到高维特征空间进行有效的分类。然而,这种算法具有更高的时间成本,因为SVM的复杂计算,测试信号发生器和测试的过程结构,精度不稳定的测试精度,因为减少了在压缩采样的情况下空间。gydF4y2Ba

为了解决上述问题,一种新的基于极限学习机的测试生成算法(ELM) [gydF4y2Ba 17gydF4y2Ba,gydF4y2Ba 18gydF4y2Ba)与低得多的时间成本和简单流程被提出了。此外,权衡参数不敏感分类的准确性gydF4y2Ba 19gydF4y2Ba,gydF4y2Ba 20.gydF4y2Ba)由于被用户指定的必要性,所以榆树具有良好的分类性能不平衡参数的优化压缩采样的空间。gydF4y2Ba

本文的其余部分组织如下。部分gydF4y2Ba 2gydF4y2Ba是关于测试生成算法的概述。部分gydF4y2Ba 3gydF4y2Ba介绍了基于榆树小说测试生成方法。部分gydF4y2Ba 4gydF4y2Ba阐述了该算法的结构和分析。部分gydF4y2Ba 5gydF4y2Ba通过模拟描述了该方法的性能。部分gydF4y2Ba 6gydF4y2Ba包括的结论。gydF4y2Ba

 2。测试生成算法的概述gydF4y2Ba

测试生成算法的基本结构是将模拟电路测试转换成数字字段进行分析通过数字模拟和模拟数字转换器。正常状态和各种故障状态的电路电路可以被看作是一个孤立的状态。电路在不同的孤立状态采样,获得丰富的脉冲响应向量。然后,脉冲响应向量分别在正常状态和故障状态识别,从而建立不同的脉冲响应空间。最后,一个分类器是用来划分不同的采样空间。测试信号是通过计算从训练分类超平面的表情,以刺激测试电路。之间的比较是通过比较器输出电压和阈值,从而实现故障诊断。gydF4y2Ba

概述了LTI模拟电路的测试生成框架如图gydF4y2Ba 1gydF4y2Ba。gydF4y2Ba

测试生成框架。gydF4y2Ba

测试生成算法的核心步骤包括两个方面:一是制定各种分类超平面和找出合适的测试信号作为输入检测电路根据各种电路的分类特征状态(正常状态和故障状态);另一个是分析测试电路的输出被测试信号刺激后,然后法官任何这样的电路故障。如图gydF4y2Ba 1gydF4y2Ba测试生成方法主要包含四个步骤如下。gydF4y2Ba

步骤1(提取响应空间由采样脉冲响应分类)。gydF4y2Ba

第一步是构建一个响应空间由许多响应向量,构造为每个实例的抽样模拟电路的输出信号。带宽(BW)远小于采样频率,有大量的脉冲响应样本。为了降低成本,一个新的空间脉冲响应由提取的原始空间采样脉冲响应(gydF4y2Ba 1gydF4y2Ba]。减少数量的样本可能导致损失的分类信息。为了解决这个问题,保持分类准确压缩的情况下,大量的时间花在优化算法。gydF4y2Ba

 步骤2(执行分类)。gydF4y2Ba

作为LTI模拟测试生成可以被视为一个几两分类问题,为每个分类方法精度很重要。基于svm测试生成算法具有良好的分类精度(gydF4y2Ba 2gydF4y2Ba]。gydF4y2Ba

在测试生成,两级分类应当执行gydF4y2Ba NgydF4y2Ba *为了计算gydF4y2Ba NgydF4y2Ba 超平面分类gydF4y2Ba NgydF4y2Ba 电路参数故障实例,为正常的电路实例。然后,发现线性超平面通过训练集和测试效果取决于通过测试集分类精度。因此,对于测试生成,整个时间成本的分类是一个重要因素。gydF4y2Ba

 步骤3(生成测试信号)。gydF4y2Ba

测试信号获得分类超平面。采用非线性分类算法对测试生成,以提高分类精度gydF4y2Ba 2gydF4y2Ba),但该算法处理分类问题,将原空间映射到一个高维特征空间;也就是说,它得到一个线性分类超平面在更高维度的空间。因此,为了生成测试信号,我们需要计算分类超平面线性尺寸的线性分类超平面在更高维度的空间,这是一个非常复杂的过程。gydF4y2Ba

 步骤4(执行测试)。gydF4y2Ba

为了确定被测电路(削减)通过或失败,我们需要一个脉冲作为一个阈值比较测试信号生成的步骤gydF4y2Ba 3gydF4y2Ba通过削减,模拟-数字转换器(ADC),数模转换器(DAC)。因此,gydF4y2Ba NgydF4y2Ba 情况下需要gydF4y2Ba NgydF4y2Ba 阈值。如果这个阈值很难比较,测试过程更复杂。gydF4y2Ba

解决上述问题被忽视了在以前的测试生成方法,一种新的基于榆树的测试生成算法已被提出。gydF4y2Ba

 3所示。基于榆树的测试生成算法gydF4y2Ba 3.1。榆树算法gydF4y2Ba

本文的测试生成算法是基于榆树,介绍如下。gydF4y2Ba

榆树[gydF4y2Ba 17gydF4y2Ba,gydF4y2Ba 18gydF4y2Ba黄等人提出的)是一种新型的学习方法对于单隐层前馈神经网络(SLFNs)。根据理论的榆树,在激活的情况下激活函数是无限可微的,如果样品的数量等于隐藏节点,也就是说,gydF4y2Ba NgydF4y2Ba =gydF4y2Ba NgydF4y2Ba ~gydF4y2Ba ,矩阵gydF4y2Ba HgydF4y2Ba 广场和可逆的,SLFNs可以用零误差近似这些样本。然而,隐藏节点的数量远低于样品在大多数情况下。根据黄的理论,gydF4y2Ba HgydF4y2Ba 是一个nonsquare矩阵,gydF4y2Ba NgydF4y2Ba ~gydF4y2Ba ≪gydF4y2Ba NgydF4y2Ba ,最小的标准最小二乘解gydF4y2Ba (1)gydF4y2Ba βgydF4y2Ba ^gydF4y2Ba =gydF4y2Ba HgydF4y2Ba +gydF4y2Ba TgydF4y2Ba ,gydF4y2Ba 在哪里gydF4y2Ba HgydF4y2Ba +gydF4y2Ba Moore-Penrose广义逆矩阵吗gydF4y2Ba HgydF4y2Ba 。根据上面的推导,榆树的输出功能gydF4y2Ba (2)gydF4y2Ba fgydF4y2Ba xgydF4y2Ba =gydF4y2Ba ∑gydF4y2Ba 我gydF4y2Ba =gydF4y2Ba 1gydF4y2Ba lgydF4y2Ba βgydF4y2Ba 我gydF4y2Ba GgydF4y2Ba 一个gydF4y2Ba 我gydF4y2Ba ,gydF4y2Ba bgydF4y2Ba 我gydF4y2Ba ,gydF4y2Ba xgydF4y2Ba =gydF4y2Ba βgydF4y2Ba ·gydF4y2Ba hgydF4y2Ba xgydF4y2Ba ,gydF4y2Ba 在哪里gydF4y2Ba βgydF4y2Ba 是输出隐藏层和输出层之间的权向量和gydF4y2Ba hgydF4y2Ba (gydF4y2Ba xgydF4y2Ba )gydF4y2Ba 是一个激活函数。在这里,gydF4y2Ba hgydF4y2Ba (gydF4y2Ba xgydF4y2Ba )gydF4y2Ba 地图的数据gydF4y2Ba dgydF4y2Ba 维输入空间的gydF4y2Ba lgydF4y2Ba 维隐层特征空间(榆树特征空间)。对于二进制分类应用程序,榆树的决策功能gydF4y2Ba (3)gydF4y2Ba fgydF4y2Ba (gydF4y2Ba xgydF4y2Ba )gydF4y2Ba =gydF4y2Ba 标志gydF4y2Ba ⁡gydF4y2Ba ∑gydF4y2Ba 我gydF4y2Ba =gydF4y2Ba 1gydF4y2Ba lgydF4y2Ba βgydF4y2Ba 我gydF4y2Ba GgydF4y2Ba (gydF4y2Ba 一个gydF4y2Ba 我gydF4y2Ba ,gydF4y2Ba bgydF4y2Ba 我gydF4y2Ba ,gydF4y2Ba xgydF4y2Ba )gydF4y2Ba )gydF4y2Ba =gydF4y2Ba 标志gydF4y2Ba ⁡gydF4y2Ba (gydF4y2Ba βgydF4y2Ba ·gydF4y2Ba hgydF4y2Ba (gydF4y2Ba xgydF4y2Ba )gydF4y2Ba 。gydF4y2Ba

根据上述理论,基于SLFNs榆树不同于其他算法,如反向传播(BP)算法,包含五个限制:gydF4y2Ba (gydF4y2Ba 1gydF4y2Ba )gydF4y2Ba 不同的学习算法对不同SLFNs;gydF4y2Ba (gydF4y2Ba 2gydF4y2Ba )gydF4y2Ba 耗时;gydF4y2Ba (gydF4y2Ba 3gydF4y2Ba )gydF4y2Ba 梯度下降法/迭代方法;gydF4y2Ba (gydF4y2Ba 4gydF4y2Ba )gydF4y2Ba 在拟合;和gydF4y2Ba (gydF4y2Ba 5gydF4y2Ba )gydF4y2Ba 局部最小值。gydF4y2Ba

榆树,参数输入层随机选择,而输出计算得到的权重向量是输出矩阵的隐层,即Moore-Penrose隐层输出矩阵的广义逆。因此,只有隐藏节点分配。与支持向量机相比,榆树是有利的从三个方面:gydF4y2Ba (gydF4y2Ba 1gydF4y2Ba )gydF4y2Ba 不浪费时间,gydF4y2Ba (gydF4y2Ba 2gydF4y2Ba )gydF4y2Ba 有更高的泛化性能,gydF4y2Ba (gydF4y2Ba 3gydF4y2Ba )gydF4y2Ba 有温和的约束参数。gydF4y2Ba

 3.2。提取反应空间gydF4y2Ba

分类精度保持时,我们需要建立新的脉冲响应空间采样脉冲响应分类,然后压缩原始的脉冲响应。gydF4y2Ba

的主要思想gydF4y2Ba 1gydF4y2Ba)是对成本效率节省时间和空间。在这个理论中,所选脉冲采样空间是否通过选择部分元素同样从向量空间脉冲响应gydF4y2Ba hgydF4y2Ba 形成新的采样向量空间。例如,gydF4y2Ba (gydF4y2Ba hgydF4y2Ba (gydF4y2Ba 0gydF4y2Ba ]gydF4y2Ba ,gydF4y2Ba hgydF4y2Ba (gydF4y2Ba 4gydF4y2Ba ]gydF4y2Ba ,gydF4y2Ba hgydF4y2Ba (gydF4y2Ba 8gydF4y2Ba ]gydF4y2Ba ,gydF4y2Ba hgydF4y2Ba (gydF4y2Ba 12gydF4y2Ba ]gydF4y2Ba ,gydF4y2Ba …gydF4y2Ba )gydF4y2Ba 是一个新的采样向量提取样本的距离间隔4后,这些向量可以写成gydF4y2Ba (gydF4y2Ba hgydF4y2Ba 0gydF4y2Ba ,gydF4y2Ba hgydF4y2Ba 1gydF4y2Ba ,gydF4y2Ba hgydF4y2Ba 2gydF4y2Ba ,gydF4y2Ba hgydF4y2Ba 3gydF4y2Ba ,gydF4y2Ba …gydF4y2Ba )gydF4y2Ba 。这个方法让测试性能的准确性不确定虽然很容易被应用。因此,重要的是要保持压缩下测试精度高。gydF4y2Ba

考虑到有一个理想的选择脉冲采样空间,同样选择的部分元素。如图gydF4y2Ba 2gydF4y2Ba后,比较了线性空间之间的映射元素选择和原来的线性空间的映射。gydF4y2Ba

(一)正常的超平面分类;(b)与支持飞机超平面分类;(c)超平面分类与支持飞机在压缩的情况下。gydF4y2Ba

如图gydF4y2Ba 2(一个)gydF4y2Ba,低维非线性响应空间映射到高维特征空间的有效分类。有些点可能下降到新的支持飞机高维线性特征空间。根据图gydF4y2Ba 2 (b)gydF4y2Ba权衡的因素等,权衡参数gydF4y2Ba γgydF4y2Ba 和成本因素gydF4y2Ba CgydF4y2Ba 介绍了支持向量机的分类,为了评估引入错误的异常值经验(gydF4y2Ba 19gydF4y2Ba- - - - - -gydF4y2Ba 22gydF4y2Ba]。如图gydF4y2Ba 2 (c)gydF4y2Ba,离群值分类可能有更大的影响,当样本特征空间的压缩。gydF4y2Ba

基于以上分析,为了获得更好的分类精度不同的特点,不同的权衡参数应在放松的情况下。为了整个算法的准确性,压缩样本和改变支持飞机之间的矛盾可以通过经验丰富的权衡,更有效地放松放松的条件下通过引入不同的权衡参数。gydF4y2Ba

让我们进一步讨论权衡参数改变。影响权衡参数主要来自信息丢失,因为压缩采样空间。因此,方法可以应用于选择采样向量与更多的信息(gydF4y2Ba 23gydF4y2Ba和成平衡的优化参数gydF4y2Ba 24gydF4y2Ba]。然而,这些方法增加算法的复杂性。gydF4y2Ba

根据黄的理论、权衡参数更敏感在支持向量机分类精度,以免二乘支持向量机(二),基于高斯核函数和榆树,但是不太敏感的榆树基于乙状结肠和multiquadric激活函数(gydF4y2Ba 19gydF4y2Ba,gydF4y2Ba 20.gydF4y2Ba]。基于上述分析,分类风险可能会减少通过应用一种算法较低敏感测试生成精度之间的关系,权衡参数下压缩样本空间。因此,与其他算法相比,上面提到的,榆树的分类方法是基于乙状结肠和multiquadric激活函数是一个更好的选择的情况下压缩为了保持分类精度。gydF4y2Ba

 3.3。执行分类的榆树gydF4y2Ba 3.3.1。时间成本gydF4y2Ba

在测试生成,两级分类应当执行gydF4y2Ba NgydF4y2Ba *为了计算gydF4y2Ba NgydF4y2Ba 超平面分类gydF4y2Ba NgydF4y2Ba 电路参数故障实例与正常电路实例。然后,每个线性超平面是发现通过训练集和测试效果取决于通过测试集分类精度。因此,对于测试生成,整个时间成本的分类是一个重要因素。为了减少时间成本,压缩采样空间的方法应用于测试生成。然而,时间成本分类方法被忽视了在以前的算法。本文应用最近发现高速的学习方法称为榆树分类。gydF4y2Ba

时间成本的分类算法主要是由于计算复杂度。脉冲数的样本分类被认为是gydF4y2Ba NgydF4y2Ba 。通常的激活函数gydF4y2Ba hgydF4y2Ba (gydF4y2Ba xgydF4y2Ba )gydF4y2Ba 可以直接用来计算榆树。因此,计算复杂性主要来源于线性方程,它的大小gydF4y2Ba NgydF4y2Ba ~gydF4y2Ba ×gydF4y2Ba NgydF4y2Ba ~gydF4y2Ba (gydF4y2Ba NgydF4y2Ba ~gydF4y2Ba ≪gydF4y2Ba NgydF4y2Ba )gydF4y2Ba (gydF4y2Ba 19gydF4y2Ba]。gydF4y2Ba

计算成本的支持向量机主要来自于拉格朗日乘数法的计算gydF4y2Ba 一个gydF4y2Ba ,而支持向量机主要来自解决方案的凸二次规划的一个矩阵的样本空间的大小gydF4y2Ba NgydF4y2Ba ×gydF4y2Ba NgydF4y2Ba ×gydF4y2Ba 2gydF4y2Ba (gydF4y2Ba 21gydF4y2Ba]。如果gydF4y2Ba NgydF4y2Ba 大,计算成本主要来自解决矩阵的大小gydF4y2Ba (gydF4y2Ba 2gydF4y2Ba NgydF4y2Ba +gydF4y2Ba 1gydF4y2Ba )gydF4y2Ba ×gydF4y2Ba (gydF4y2Ba 2gydF4y2Ba NgydF4y2Ba +gydF4y2Ba 1gydF4y2Ba )gydF4y2Ba ×gydF4y2Ba 2gydF4y2Ba 。因此,支持向量机分类可能有更大的计算复杂度。gydF4y2Ba

因此,在学习算法的计算复杂度,ELM-based耗时比SVM分类算法。gydF4y2Ba

 3.3.2。选择激活函数和核函数算法的榆树gydF4y2Ba

榆树包括两种输出功能,即基于内核的输出函数的地图gydF4y2Ba hgydF4y2Ba (gydF4y2Ba xgydF4y2Ba )gydF4y2Ba 和基于已知用户和内核的输出函数的地图gydF4y2Ba hgydF4y2Ba (gydF4y2Ba xgydF4y2Ba )gydF4y2Ba 而对用户来说是未知的。提出一个ELM-based LTI算法模拟电路,和传统的激活函数如乙状结肠和高斯函数可以很容易地用于地图gydF4y2Ba hgydF4y2Ba (gydF4y2Ba xgydF4y2Ba )gydF4y2Ba 。此外,榆树的权衡参数,基于内核的输出功能,如高斯核函数,对分类精度更敏感下压缩样本空间。因此,基于内核的榆树(部分中描述gydF4y2Ba 3.1gydF4y2Ba)是一个更好的选择。gydF4y2Ba

榆树是一个最好的分类算法基于激活功能。正常激活功能包括乙状结肠函数,硬限制函数,高斯函数,multiquadric函数。根据压缩样本空间的分析,基于乙状结肠和榆树multiquadric激活函数是比别人更好。然而,榆树基于乙状结肠激活函数优于基于multiquadric激活函数的分类精度测试电路。因此,乙状结肠激活函数适合榆树在电路测试。gydF4y2Ba

一般来说,基于内核的榆树乙状结肠激活函数适用于算法。gydF4y2Ba

 3.4。测试信号发生器的方法基于榆树gydF4y2Ba

考虑输入刺激gydF4y2Ba xgydF4y2Ba 和脉冲响应gydF4y2Ba hgydF4y2Ba (gydF4y2Ba 米gydF4y2Ba ]gydF4y2Ba 在模拟测试生成算法,输出响应的LTI可以表示如下:gydF4y2Ba (4)gydF4y2Ba ygydF4y2Ba (gydF4y2Ba ngydF4y2Ba ]gydF4y2Ba =gydF4y2Ba ∑gydF4y2Ba 米gydF4y2Ba =gydF4y2Ba 0gydF4y2Ba ∞gydF4y2Ba xgydF4y2Ba (gydF4y2Ba ngydF4y2Ba - - - - - -gydF4y2Ba 米gydF4y2Ba ]gydF4y2Ba ·gydF4y2Ba hgydF4y2Ba (gydF4y2Ba 米gydF4y2Ba ]gydF4y2Ba ≈gydF4y2Ba ∑gydF4y2Ba 米gydF4y2Ba =gydF4y2Ba 0gydF4y2Ba dgydF4y2Ba - - - - - -gydF4y2Ba 1gydF4y2Ba xgydF4y2Ba ngydF4y2Ba - - - - - -gydF4y2Ba 米gydF4y2Ba ·gydF4y2Ba hgydF4y2Ba 米gydF4y2Ba ngydF4y2Ba =gydF4y2Ba 0 1gydF4y2Ba ,gydF4y2Ba …gydF4y2Ba ,gydF4y2Ba ∞gydF4y2Ba 。gydF4y2Ba

hgydF4y2Ba =gydF4y2Ba hgydF4y2Ba 0gydF4y2Ba ,gydF4y2Ba hgydF4y2Ba 1gydF4y2Ba ,gydF4y2Ba …gydF4y2Ba 代表采样电路脉冲响应的向量。它可以从电路理论输出响应gydF4y2Ba ygydF4y2Ba (gydF4y2Ba ngydF4y2Ba ]gydF4y2Ba 主要是受gydF4y2Ba hgydF4y2Ba (gydF4y2Ba 0gydF4y2Ba ]gydF4y2Ba ,gydF4y2Ba hgydF4y2Ba (gydF4y2Ba 1gydF4y2Ba ]gydF4y2Ba ,gydF4y2Ba …gydF4y2Ba ,gydF4y2Ba hgydF4y2Ba (gydF4y2Ba dgydF4y2Ba - - - - - -gydF4y2Ba 1gydF4y2Ba ]gydF4y2Ba ,在这gydF4y2Ba dgydF4y2Ba =gydF4y2Ba FgydF4y2Ba 年代gydF4y2Ba /gydF4y2Ba BWgydF4y2Ba 。gydF4y2Ba BWgydF4y2Ba 代表带宽。因此,gydF4y2Ba hgydF4y2Ba 0gydF4y2Ba ,gydF4y2Ba hgydF4y2Ba 1gydF4y2Ba ,gydF4y2Ba …gydF4y2Ba ,gydF4y2Ba hgydF4y2Ba (gydF4y2Ba dgydF4y2Ba - - - - - -gydF4y2Ba 1gydF4y2Ba ]gydF4y2Ba 可以用来代替响应向量gydF4y2Ba hgydF4y2Ba 。大量的响应向量gydF4y2Ba hgydF4y2Ba 构成反应空间gydF4y2Ba hgydF4y2Ba 1gydF4y2Ba ,gydF4y2Ba hgydF4y2Ba 2gydF4y2Ba ,gydF4y2Ba hgydF4y2Ba 3gydF4y2Ba ,gydF4y2Ba …gydF4y2Ba 。最重要的部分在测试生成算法是找出线性分类超平面的功能。因此,这里假设一个线性分类超平面的表达如下:gydF4y2Ba (5)gydF4y2Ba fgydF4y2Ba (gydF4y2Ba HgydF4y2Ba )gydF4y2Ba =gydF4y2Ba ∑gydF4y2Ba 米gydF4y2Ba =gydF4y2Ba 0gydF4y2Ba dgydF4y2Ba - - - - - -gydF4y2Ba 1gydF4y2Ba cgydF4y2Ba 米gydF4y2Ba ·gydF4y2Ba hgydF4y2Ba (gydF4y2Ba 米gydF4y2Ba ]gydF4y2Ba - - - - - -gydF4y2Ba cgydF4y2Ba dgydF4y2Ba =gydF4y2Ba 0gydF4y2Ba 。gydF4y2Ba

在公式(gydF4y2Ba 5gydF4y2Ba),gydF4y2Ba cgydF4y2Ba =gydF4y2Ba (gydF4y2Ba cgydF4y2Ba dgydF4y2Ba - - - - - -gydF4y2Ba 1gydF4y2Ba ,gydF4y2Ba cgydF4y2Ba dgydF4y2Ba - - - - - -gydF4y2Ba 2gydF4y2Ba ,gydF4y2Ba …gydF4y2Ba ,gydF4y2Ba cgydF4y2Ba 0gydF4y2Ba )gydF4y2Ba 和gydF4y2Ba cgydF4y2Ba dgydF4y2Ba 分别可以从分类算法获得。在这里,gydF4y2Ba cgydF4y2Ba 是用来取代刺激向量gydF4y2Ba xgydF4y2Ba 。然后,公式(gydF4y2Ba 5gydF4y2Ba)可以改写成gydF4y2Ba (6)gydF4y2Ba fgydF4y2Ba (gydF4y2Ba HgydF4y2Ba )gydF4y2Ba =gydF4y2Ba ygydF4y2Ba (gydF4y2Ba dgydF4y2Ba - - - - - -gydF4y2Ba 1gydF4y2Ba ]gydF4y2Ba - - - - - -gydF4y2Ba cgydF4y2Ba dgydF4y2Ba =gydF4y2Ba 0gydF4y2Ba 。gydF4y2Ba

因此,线性分类超平面系数gydF4y2Ba cgydF4y2Ba =gydF4y2Ba (gydF4y2Ba cgydF4y2Ba dgydF4y2Ba - - - - - -gydF4y2Ba 1gydF4y2Ba ,gydF4y2Ba cgydF4y2Ba dgydF4y2Ba - - - - - -gydF4y2Ba 2gydF4y2Ba ,gydF4y2Ba …gydF4y2Ba ,gydF4y2Ba cgydF4y2Ba 0gydF4y2Ba )gydF4y2Ba 是作为测试序列。gydF4y2Ba cgydF4y2Ba 我gydF4y2Ba 代表不同的电压和gydF4y2Ba cgydF4y2Ba dgydF4y2Ba 作为阈值。因此,可以判断电路是否错的比较这些值。gydF4y2Ba

榆树算法并不是一个线性分类算法。因此,测试信号gydF4y2Ba cgydF4y2Ba 和阈值gydF4y2Ba cgydF4y2Ba dgydF4y2Ba 不能直接通过分类器训练。为此,作者提出了一个测试信号,基于榆树阈值计算方法。gydF4y2Ba

我们假设gydF4y2Ba (7)gydF4y2Ba tgydF4y2Ba 榆树gydF4y2Ba hgydF4y2Ba =gydF4y2Ba βgydF4y2Ba ·gydF4y2Ba hgydF4y2Ba xgydF4y2Ba 。gydF4y2Ba

如果gydF4y2Ba cgydF4y2Ba 可以使gydF4y2Ba (8)gydF4y2Ba cgydF4y2Ba ×gydF4y2Ba hgydF4y2Ba =gydF4y2Ba tgydF4y2Ba 榆树gydF4y2Ba hgydF4y2Ba ,gydF4y2Ba 然后gydF4y2Ba (9)gydF4y2Ba cgydF4y2Ba =gydF4y2Ba tgydF4y2Ba 榆树gydF4y2Ba hgydF4y2Ba ×gydF4y2Ba hgydF4y2Ba - - - - - -gydF4y2Ba 1gydF4y2Ba 。gydF4y2Ba

考虑gydF4y2Ba tgydF4y2Ba 榆树gydF4y2Ba (gydF4y2Ba hgydF4y2Ba )gydF4y2Ba =gydF4y2Ba βgydF4y2Ba ·gydF4y2Ba hgydF4y2Ba (gydF4y2Ba xgydF4y2Ba )gydF4y2Ba 。在这里,gydF4y2Ba hgydF4y2Ba 代表脉冲响应采样向量。作为gydF4y2Ba hgydF4y2Ba 是脉冲响应(例如,gydF4y2Ba hgydF4y2Ba 不为零),广义逆肯定存在,因为gydF4y2Ba βgydF4y2Ba 可以通过榆树培训。同时,可以得到以下公式根据黄的定义:gydF4y2Ba (10)gydF4y2Ba hgydF4y2Ba xgydF4y2Ba =gydF4y2Ba ggydF4y2Ba wgydF4y2Ba 1gydF4y2Ba ·gydF4y2Ba xgydF4y2Ba 1gydF4y2Ba +gydF4y2Ba bgydF4y2Ba 1gydF4y2Ba ⋯gydF4y2Ba ggydF4y2Ba wgydF4y2Ba NgydF4y2Ba ~gydF4y2Ba ·gydF4y2Ba xgydF4y2Ba 1gydF4y2Ba +gydF4y2Ba bgydF4y2Ba NgydF4y2Ba ~gydF4y2Ba ⋮gydF4y2Ba ⋯gydF4y2Ba ⋮gydF4y2Ba ggydF4y2Ba wgydF4y2Ba 1gydF4y2Ba ·gydF4y2Ba xgydF4y2Ba NgydF4y2Ba +gydF4y2Ba bgydF4y2Ba 1gydF4y2Ba ⋯gydF4y2Ba ggydF4y2Ba wgydF4y2Ba NgydF4y2Ba ~gydF4y2Ba ·gydF4y2Ba xgydF4y2Ba NgydF4y2Ba +gydF4y2Ba bgydF4y2Ba NgydF4y2Ba ~gydF4y2Ba NgydF4y2Ba ×gydF4y2Ba NgydF4y2Ba ~gydF4y2Ba 。gydF4y2Ba

根据定理在榆树,学习的过程gydF4y2Ba hgydF4y2Ba (gydF4y2Ba xgydF4y2Ba )gydF4y2Ba 不同于之前的神经网络算法。输入体重gydF4y2Ba wgydF4y2Ba 我gydF4y2Ba 和隐式阈值gydF4y2Ba bgydF4y2Ba 我gydF4y2Ba 在公式(gydF4y2Ba 10gydF4y2Ba)可以通过随机分布。一旦学习开始,学习的过程gydF4y2Ba hgydF4y2Ba (gydF4y2Ba xgydF4y2Ba )gydF4y2Ba 参数调整是不必要的。此外,所有参数保持不变。与此同时,激活函数gydF4y2Ba ggydF4y2Ba (gydF4y2Ba xgydF4y2Ba )gydF4y2Ba 是已知的,因此它成为一个给定的参数学习完成后。因此,系数gydF4y2Ba cgydF4y2Ba 的线性分类超平面可以根据制定(gydF4y2Ba 9gydF4y2Ba)和(gydF4y2Ba 10gydF4y2Ba)。因此,测试信号。最后,可以获得以下公式结合公式(gydF4y2Ba 3gydF4y2Ba),(gydF4y2Ba 6gydF4y2Ba)和(gydF4y2Ba 9gydF4y2Ba):gydF4y2Ba (11)gydF4y2Ba cgydF4y2Ba dgydF4y2Ba =gydF4y2Ba 0gydF4y2Ba 。gydF4y2Ba

公式(gydF4y2Ba 9gydF4y2Ba)和(gydF4y2Ba 11gydF4y2Ba)是基于榆树的数学表达式测试生成算法。gydF4y2Ba

基于上述分析,学习算法提出了测试信号生成明显减少计算复杂度。,在(gydF4y2Ba 2gydF4y2Ba),系数gydF4y2Ba cgydF4y2Ba 和gydF4y2Ba cgydF4y2Ba dgydF4y2Ba 将计算。这个过程的计算成本主要来自计算拉格朗日乘数gydF4y2Ba 一个gydF4y2Ba ,而计算过程等价于求解矩阵的大小gydF4y2Ba (gydF4y2Ba 2gydF4y2Ba NgydF4y2Ba +gydF4y2Ba 1gydF4y2Ba )gydF4y2Ba ×gydF4y2Ba (gydF4y2Ba 2gydF4y2Ba NgydF4y2Ba +gydF4y2Ba 1gydF4y2Ba )gydF4y2Ba ×gydF4y2Ba 2gydF4y2Ba 。解线性方程组的规模gydF4y2Ba NgydF4y2Ba ~gydF4y2Ba ×gydF4y2Ba NgydF4y2Ba ~gydF4y2Ba (gydF4y2Ba NgydF4y2Ba ~gydF4y2Ba ≪gydF4y2Ba NgydF4y2Ba )成本计算算法的主要原因。此外,在本文算法中,只有一组系数gydF4y2Ba cgydF4y2Ba 将计算。gydF4y2Ba

 3.5。小说测试结构gydF4y2Ba

作为节gydF4y2Ba 3.4gydF4y2Ba提出了一种新颖的系数计算的过程,提出了一种新型测试过程如图gydF4y2Ba 3gydF4y2Ba。gydF4y2Ba

(一)应用程序的测试序列DUT进行分类。(b)测试我们的方案结构。整个测试组成gydF4y2Ba kgydF4y2Ba 测试会话和下标gydF4y2Ba 我gydF4y2Ba =gydF4y2Ba (gydF4y2Ba 1gydF4y2Ba ,gydF4y2Ba …gydF4y2Ba ,gydF4y2Ba kgydF4y2Ba )gydF4y2Ba 表示gydF4y2Ba 我gydF4y2Ba 会话。gydF4y2Ba

一般来说,一个超平面是用来告诉之间的一种参数故障电路和正常电路。多个超平面所需歧视为了满足不同的断层参数。因此,使用一个超平面简化情况下的歧视,这对应于一种参数,可以很容易地扩展到使用多个超平面的情况下,对应于不同的参数的缺点。在图gydF4y2Ba 3(一个)gydF4y2Ba由一个测试集,测试结构显示,测试集gydF4y2Ba cgydF4y2Ba dgydF4y2Ba - - - - - -gydF4y2Ba 1gydF4y2Ba ,gydF4y2Ba cgydF4y2Ba dgydF4y2Ba - - - - - -gydF4y2Ba 2gydF4y2Ba ,gydF4y2Ba …gydF4y2Ba ,gydF4y2Ba cgydF4y2Ba 0gydF4y2Ba 可以计算(gydF4y2Ba 9gydF4y2Ba在测试设备)和预存储,输出响应gydF4y2Ba ygydF4y2Ba (gydF4y2Ba dgydF4y2Ba - - - - - -gydF4y2Ba 1gydF4y2Ba ]gydF4y2Ba 在时间的实例gydF4y2Ba ngydF4y2Ba =gydF4y2Ba dgydF4y2Ba - - - - - -gydF4y2Ba 1gydF4y2Ba 测试集。ADC的输出是基于二进制算术运算,签署的条件gydF4y2Ba ygydF4y2Ba (gydF4y2Ba dgydF4y2Ba - - - - - -gydF4y2Ba 1gydF4y2Ba ]gydF4y2Ba >gydF4y2Ba 0gydF4y2Ba (gydF4y2Ba cgydF4y2Ba dgydF4y2Ba =gydF4y2Ba 0gydF4y2Ba )可以修改成符号位的一个条件gydF4y2Ba ygydF4y2Ba (gydF4y2Ba dgydF4y2Ba - - - - - -gydF4y2Ba 1gydF4y2Ba ]gydF4y2Ba 是0。如图gydF4y2Ba 3 (b)gydF4y2Ba,测试结构,使用多个测试集和对应于不同的参数故障显示。gydF4y2Ba

 4所示。结构和算法的步骤gydF4y2Ba

在总结以上段落、各个部分和构造图基于榆树的测试生成算法提出了数据所示gydF4y2Ba 4gydF4y2Ba和gydF4y2Ba 5gydF4y2Ba。其操作步骤如下。gydF4y2Ba

单故障测试生成算法的构造图基于榆树。gydF4y2Ba

Multifault构造图的测试生成算法基于榆树。gydF4y2Ba

 步骤1。gydF4y2Ba

样品与采样频率减少gydF4y2Ba FgydF4y2Ba 年代gydF4y2Ba 包括正常状态和各种故障状态的电路和获得丰富的脉冲响应向量,从而获得脉冲响应在不同状态空间;在保证精度的前提下,脉冲响应空间在不同的州可以等距压缩。gydF4y2Ba

 步骤2。gydF4y2Ba

介绍榆树分类器和脉冲响应进行分类培训空间在各种状态,以获得所需的各种已知参数,即gydF4y2Ba hgydF4y2Ba (gydF4y2Ba xgydF4y2Ba )gydF4y2Ba 和gydF4y2Ba βgydF4y2Ba ;然后,计算出gydF4y2Ba cgydF4y2Ba 根据公式(gydF4y2Ba 9gydF4y2Ba)。在这里,gydF4y2Ba cgydF4y2Ba =gydF4y2Ba (gydF4y2Ba cgydF4y2Ba dgydF4y2Ba - - - - - -gydF4y2Ba 1gydF4y2Ba ,gydF4y2Ba cgydF4y2Ba dgydF4y2Ba - - - - - -gydF4y2Ba 2gydF4y2Ba ,gydF4y2Ba …gydF4y2Ba ,gydF4y2Ba cgydF4y2Ba 0gydF4y2Ba )gydF4y2Ba 代表测试序列。gydF4y2Ba

 步骤3。gydF4y2Ba

使用DAC刺激减少步骤获得的测试序列gydF4y2Ba 2gydF4y2Ba;然后,判断这个状态是否满意和工作gydF4y2Ba cgydF4y2Ba dgydF4y2Ba =gydF4y2Ba 0gydF4y2Ba 根据公式(gydF4y2Ba 11gydF4y2Ba);只有这个算法必须通过一个二进制符号位ADC。判断这个输出序列的符号位是0或1,也就是说,它是否符合电路的状态。gydF4y2Ba

 步骤4。gydF4y2Ba

电路总是有多个州,包括正常状态和多个故障状态。因此,总有几个值gydF4y2Ba cgydF4y2Ba 从步骤gydF4y2Ba 2gydF4y2Ba,如图gydF4y2Ba 5gydF4y2Ba。判断电路是否正常,这需要通过DAC输出几个测试序列的测试电路。在判断几次步骤gydF4y2Ba 3gydF4y2Ba,是否可以判断电路是否正常。如果它是不正常的,可以判断故障状态的类型。gydF4y2Ba

电路故障的判断通过模拟电路测试生成算法总是需要操作的步骤gydF4y2Ba 2gydF4y2Ba和gydF4y2Ba 3gydF4y2Ba对于许多次。因此,整个算法的效率将直接影响分类器的训练测试速度和参数计算速度以及步骤的参数配置速度gydF4y2Ba 3gydF4y2Ba。根据分析部分gydF4y2Ba 3.3。1gydF4y2Ba,榆树的分类速度相对较快。根据部分的内容gydF4y2Ba 3.4gydF4y2Ba和gydF4y2Ba 3.5gydF4y2Ba,只有需要的解决方案gydF4y2Ba cgydF4y2Ba 在测试生成算法。它是必要的解决方案gydF4y2Ba cgydF4y2Ba dgydF4y2Ba 。因此,只需要计算和配置的一组参数的过程中信号的生成和测试。然而,对于前两个算法,需要计算两组参数和配置。因此,某些改进了算法的速度。在精度方面,榆树的权衡参数对测试精度影响较小的权衡参数的支持向量机样本空间压缩期间根据分析部分gydF4y2Ba 3.2gydF4y2Ba。因此,基于榆树的测试生成算法在精度方面有一些优势信号一代相比,基于支持向量机的算法。由于减少测试生成过程中的参数计算的算法,计算参数的偏差引入分类过程的测试过程却降低了。结果,精度在一定程度上改善。算法的性能将会在下一节实验验证。gydF4y2Ba

 5。例子gydF4y2Ba

本节说明了本文通过仿真的思想。个人电脑上完成整个模拟3 ghz处理器、2 gb内存。程序用于模拟是由作者在MATLAB 7.1和10.5 OrCAD。gydF4y2Ba

5.1。示例1gydF4y2Ba

榆树是一个最好的分类算法基于激活功能。不失一般性,测试设备的误分类测试生成方法的电路如图所示gydF4y2Ba 6(一)gydF4y2Ba对应于不同的映射函数,如图gydF4y2Ba 7(一)gydF4y2Ba。对于一个正常的电路,所有参数的容差范围gydF4y2Ba (gydF4y2Ba - - - - - -gydF4y2Ba 10gydF4y2Ba %gydF4y2Ba ,gydF4y2Ba 10gydF4y2Ba %gydF4y2Ba ]gydF4y2Ba 。组件的故障电路,参数超出了公差范围gydF4y2Ba (gydF4y2Ba 10gydF4y2Ba %gydF4y2Ba ,gydF4y2Ba 50gydF4y2Ba %gydF4y2Ba ]gydF4y2Ba ∪gydF4y2Ba (gydF4y2Ba - - - - - -gydF4y2Ba 50gydF4y2Ba %gydF4y2Ba ,gydF4y2Ba - - - - - -gydF4y2Ba 10gydF4y2Ba %gydF4y2Ba ]gydF4y2Ba 。许多采样向量可以获得从电路如图gydF4y2Ba 6(一)gydF4y2Ba,构造一个脉冲响应的空间。每个采样向量是通过采样电路的脉冲响应实例。每个样本的数量设置为30,和脉冲响应空间可分为训练和测试集。gydF4y2Ba

(一)一个三极有源滤波器。(b)两极有源滤波器。(c) five-pole有源滤波器。gydF4y2Ba

(a)误分类率ELM-based算法使用不同的映射函数的电路如图gydF4y2Ba 6(一)gydF4y2Ba,当脉冲响应样本的数量是30。(b)误分类率ELM-based算法使用不同的映射函数的电路如图gydF4y2Ba 6(一)gydF4y2Ba,当脉冲响应样本的数量是5。gydF4y2Ba

每个训练样本向量集贴上“通过”或“失败”根据电路规格。测试集分类可以通过设置符号位的输出响应为零。此外,确定平均压缩样本空间的影响,采样向量建立了平均压缩之前的脉冲响应的空间,每个样本的数量和新的脉冲响应空间将30和5,分别。在这里,权衡不同映射函数的参数默认赋值。图gydF4y2Ba 7 (b)gydF4y2Ba显示了测试组测试生成方法的误分类与不同的映射功能。gydF4y2Ba

图gydF4y2Ba 7(一)gydF4y2Ba显示的测试集误分类率的各种映射函数在应用ELM-based算法提出了电路如图gydF4y2Ba 6(一)gydF4y2Ba。误分类率包括更进一步通过实例的数量比贴上通过实例的数量和分类错误的失败实例的数量比实例贴上失败的实例的数量。如图gydF4y2Ba 7(一)gydF4y2Ba用multiquadric函数,而榆树,榆树高斯核函数和乙状结肠激活函数执行更好的错误分类的总数(%)包括通过实例和失败情况下,当脉冲响应样本的数量是30。然而,根据图gydF4y2Ba 7 (b)gydF4y2Ba,对于压缩(脉冲响应样本的数量是5),榆树和乙状结肠激活函数具有更好的误分类比高斯核函数和multiquadric函数。因此,乙状结肠激活函数是一个映射函数适合ELM-based算法。gydF4y2Ba

 5.2。示例2gydF4y2Ba

与先前的算法比较方便不失一般性,三种电路是用于数据gydF4y2Ba 6(一)gydF4y2Ba,gydF4y2Ba 6 (b)gydF4y2Ba,gydF4y2Ba 6 (c)gydF4y2Ba显示性能包括误分类率和时间成本,基于svm和ELM-based算法之间的关系。可以由正常和故障电路实例分配参数组件,和所有正常参数在各自的公差范围。正常和故障电路的参数范围内分配的示例1中一样。脉冲响应样本的数量是30,和仿真过程是实施例1中的一样。这里,权衡参数在榆树和SVM在默认情况下分配。gydF4y2Ba

数据gydF4y2Ba 8(一个)gydF4y2Ba和gydF4y2Ba 8 (b)gydF4y2Ba在数字显示电路的时间成本gydF4y2Ba 6(一)gydF4y2Ba,gydF4y2Ba 6 (b)gydF4y2Ba,gydF4y2Ba 6 (c)gydF4y2Ba基于svm与ELM-based算法和误分类率包括通过和失败的测试和训练集。结果表明,ELM-based算法提出了如图gydF4y2Ba 8(一个)gydF4y2Ba可以提高精度略,而基于svm算法。此外,节中描述gydF4y2Ba 3gydF4y2Ba,信号发生器和测试的过程在ELM-based算法提出了更简单的计算复杂度和分类方法,理论和ELM-based算法可以大大降低时间成本,如图gydF4y2Ba 8 (b)gydF4y2Ba。gydF4y2Ba

(一)误分类的支持向量机,ELM-based算法在数字电路gydF4y2Ba 6(一)gydF4y2Ba,gydF4y2Ba 6 (b)gydF4y2Ba,gydF4y2Ba 6 (c)gydF4y2Ba,当脉冲响应样本的数量是30。支持向量机(b)的时间成本,ELM-based算法在数字电路gydF4y2Ba 6(一)gydF4y2Ba,gydF4y2Ba 6 (b)gydF4y2Ba,gydF4y2Ba 6 (c)gydF4y2Ba,当脉冲响应样本的数量是30。gydF4y2Ba

 5.3。示例3gydF4y2Ba

为了方便比较与先前的算法在压缩采样空间的情况下,两种电路中使用的数据gydF4y2Ba 6 (b)gydF4y2Ba和gydF4y2Ba 6 (c)gydF4y2Ba显示基于svm和ELM-based算法之间的误分类率与不同数量的脉冲响应样本。正常和故障电路的参数范围内分配的示例1中一样,和模拟过程也是实现示例1中的一样。gydF4y2Ba

采样向量可以写成gydF4y2Ba (gydF4y2Ba hgydF4y2Ba 1gydF4y2Ba ,gydF4y2Ba hgydF4y2Ba 2gydF4y2Ba ,gydF4y2Ba …gydF4y2Ba ,gydF4y2Ba hgydF4y2Ba 30.gydF4y2Ba )gydF4y2Ba ,随着脉冲响应数量的样品是没有压缩下30组。数字脉冲响应的样品将于15日10日和5分别和新采样向量是由从脉冲响应中提取样本等距抽样没有压缩空间。这里,权衡参数在榆树和SVM的默认赋值。gydF4y2Ba

数据gydF4y2Ba 9(一个)gydF4y2Ba和gydF4y2Ba 9 (b)gydF4y2Ba显示错误分类率通过和失败的测试和训练集电路和数字gydF4y2Ba 6 (b)gydF4y2Ba和gydF4y2Ba 6 (c)gydF4y2Ba基于svm和ELM-based算法之间的关系。根据ELM-based算法的结果,提出了可以提高精度对训练集和测试集,当脉冲响应样本的数量减少,因为它权衡参数不太敏感的分类精度比基于svm算法在压缩的情况下节中描述gydF4y2Ba 3gydF4y2Ba。gydF4y2Ba

(一)误分类的支持向量机,ELM-based算法电路如图gydF4y2Ba 6 (b)gydF4y2Ba,不同数量的脉冲响应样本。(b)误分类的支持向量机,ELM-based算法电路如图gydF4y2Ba 6 (c)gydF4y2Ba,不同数量的脉冲响应样本。gydF4y2Ba

 5.4。示例4gydF4y2Ba

在压缩采样空间的情况下,电路如图gydF4y2Ba 6(一)gydF4y2Ba,误分类率增加最随着脉冲响应样本数量的减少到5。因此,电路如图gydF4y2Ba 6(一)gydF4y2Ba是用来比较的错误分类的压缩采样空间。5脉冲响应样本,我们可以构造6组不同的采样向量,即gydF4y2Ba 年代gydF4y2Ba 1gydF4y2Ba (gydF4y2Ba hgydF4y2Ba 1gydF4y2Ba ,gydF4y2Ba hgydF4y2Ba 7gydF4y2Ba ,gydF4y2Ba hgydF4y2Ba 13gydF4y2Ba ,gydF4y2Ba hgydF4y2Ba 19gydF4y2Ba ,gydF4y2Ba hgydF4y2Ba 25gydF4y2Ba )gydF4y2Ba ,gydF4y2Ba 年代gydF4y2Ba 2gydF4y2Ba (gydF4y2Ba hgydF4y2Ba 2gydF4y2Ba ,gydF4y2Ba hgydF4y2Ba 8gydF4y2Ba ,gydF4y2Ba hgydF4y2Ba 14gydF4y2Ba ,gydF4y2Ba hgydF4y2Ba 20.gydF4y2Ba ,gydF4y2Ba hgydF4y2Ba 26gydF4y2Ba )gydF4y2Ba ,gydF4y2Ba 年代gydF4y2Ba 3gydF4y2Ba (gydF4y2Ba hgydF4y2Ba 3gydF4y2Ba ,gydF4y2Ba hgydF4y2Ba 9gydF4y2Ba ,gydF4y2Ba hgydF4y2Ba 15gydF4y2Ba ,gydF4y2Ba hgydF4y2Ba 21gydF4y2Ba ,gydF4y2Ba hgydF4y2Ba 27gydF4y2Ba )gydF4y2Ba ,gydF4y2Ba 年代gydF4y2Ba 4gydF4y2Ba (gydF4y2Ba hgydF4y2Ba 4gydF4y2Ba ,gydF4y2Ba hgydF4y2Ba 10gydF4y2Ba ,gydF4y2Ba hgydF4y2Ba 16gydF4y2Ba ,gydF4y2Ba hgydF4y2Ba 22gydF4y2Ba ,gydF4y2Ba hgydF4y2Ba 28gydF4y2Ba )gydF4y2Ba ,gydF4y2Ba 年代gydF4y2Ba 5gydF4y2Ba (gydF4y2Ba hgydF4y2Ba 5gydF4y2Ba ,gydF4y2Ba hgydF4y2Ba 11gydF4y2Ba ,gydF4y2Ba hgydF4y2Ba 17gydF4y2Ba ,gydF4y2Ba hgydF4y2Ba 23gydF4y2Ba ,gydF4y2Ba hgydF4y2Ba 29日gydF4y2Ba )gydF4y2Ba ,gydF4y2Ba 年代gydF4y2Ba 6gydF4y2Ba (gydF4y2Ba hgydF4y2Ba 6gydF4y2Ba ,gydF4y2Ba hgydF4y2Ba 12gydF4y2Ba ,gydF4y2Ba hgydF4y2Ba 18gydF4y2Ba ,gydF4y2Ba hgydF4y2Ba 24gydF4y2Ba ,gydF4y2Ba hgydF4y2Ba 30.gydF4y2Ba )gydF4y2Ba ,分别。不同的采样向量集的压缩的情况下,图gydF4y2Ba 10 ()gydF4y2Ba比较ELM-based误分类率和时间成本,基于svm和混沌粒子群优化(复)基于svm (gydF4y2Ba 24gydF4y2Ba)算法,参数优化应用于权衡参数gydF4y2Ba CgydF4y2Ba 和gydF4y2Ba rgydF4y2Ba 在支持向量机。这里,权衡参数在榆树和SVM也默认任务,和CPSO-SVM是权衡的基于参数优化的支持向量机算法参数。gydF4y2Ba

(一)不同算法电路如图的误分类率gydF4y2Ba 6(一)gydF4y2Ba,当脉冲响应样本的数量是5。(b)时间成本的不同算法电路如图gydF4y2Ba 6(一)gydF4y2Ba,当脉冲响应样本的数量是5。gydF4y2Ba

基于svm的ELM-based和CPSO-SVM-based算法比较数据gydF4y2Ba 10 ()gydF4y2Ba和gydF4y2Ba 10 (b)gydF4y2Ba的误分类率和时间成本不同的采样向量,在压缩采样空间的情况下违约权衡参数。结果图gydF4y2Ba 10 ()gydF4y2Ba表明ELM-based和CPSO-SVM-based算法使用默认权衡参数可以提高稳定性和误分类率比基于svm算法。然而,如图gydF4y2Ba 10 (b)gydF4y2BaELM-based算法提出了花最少的时间在这三个算法,优化平衡参数需要大约10秒。一般来说,ELM-based算法提出了可以提高精度和稳定性,减少时间成本和减少数量的脉冲响应样本。gydF4y2Ba

 6。结论gydF4y2Ba

提出了一种先进的模拟电路的测试生成算法。节中描述gydF4y2Ba 3gydF4y2Ba,该算法分类响应空间基于榆树,和小说过程的测试生成算法,包括测试信号发生器和测试。现有的测试生成算法不能节省时间或稳定精度有效当脉冲响应样本的数量减少虽然组可以有效地分离。由于计算复杂度理论和分类方法,ELM-based算法提出了更简单的信号发生器和测试的过程和权衡参数不敏感分类精度的情况下压缩。该算法不仅可以避免精度降低压缩下,还有效地节省时间。此外,该算法通过实验证实具有良好的性能。gydF4y2Ba

 利益冲突gydF4y2Ba

作者宣称没有利益冲突有关的出版。gydF4y2Ba

 确认gydF4y2Ba

支持这项研究的国家自然科学基金委(60934002,60934002,60934002,61071029)和专门研究基金DPHEC (20100185110004)。gydF4y2Ba

 锅gydF4y2Ba 彭译葶。gydF4y2Ba 程gydF4y2Ba K.-T。gydF4y2Ba 线性定常模拟电路的测试生成gydF4y2Ba IEEE电路和系统II:模拟和数字信号处理gydF4y2Ba 1999年gydF4y2Ba 46gydF4y2Ba 5gydF4y2Ba 554年gydF4y2Ba 564年gydF4y2Ba 10.1109/82.769804gydF4y2Ba 2 - s2.0 - 0032634619gydF4y2Ba 长gydF4y2Ba T。gydF4y2Ba 王gydF4y2Ba H。gydF4y2Ba 长gydF4y2Ba B。gydF4y2Ba 测试生成算法基于支持向量机的模拟系统gydF4y2Ba 信号,图像和视频处理gydF4y2Ba 2011年gydF4y2Ba 5gydF4y2Ba 4gydF4y2Ba 527年gydF4y2Ba 533年gydF4y2Ba 10.1007 / s11760 - 010 - 0168 - 6gydF4y2Ba 2 - s2.0 - 80255132936gydF4y2Ba BalivadagydF4y2Ba 一个。gydF4y2Ba 程ydF4y2Ba J。gydF4y2Ba 亚伯拉罕gydF4y2Ba j . A。gydF4y2Ba 模拟测试时间响应参数gydF4y2Ba IEEE计算机的设计和测试gydF4y2Ba 1996年gydF4y2Ba 13gydF4y2Ba 2gydF4y2Ba 18gydF4y2Ba 25gydF4y2Ba 10.1109/54.500197gydF4y2Ba 2 - s2.0 - 0030167772gydF4y2Ba HamidagydF4y2Ba n . B。gydF4y2Ba 萨博gydF4y2Ba K。gydF4y2Ba 马尔凯gydF4y2Ba D。gydF4y2Ba KaminskagydF4y2Ba B。gydF4y2Ba 奎斯gydF4y2Ba G。gydF4y2Ba LIMSoft:自动化工具模拟电路的设计和测试集成gydF4y2Ba 程序的国际测试会议gydF4y2Ba 1996年10月gydF4y2Ba 美国华盛顿特区gydF4y2Ba 571年gydF4y2Ba 580年gydF4y2Ba 10.1109 / TEST.1996.557094gydF4y2Ba DevarayanadurggydF4y2Ba G。gydF4y2Ba SomagydF4y2Ba M。gydF4y2Ba 动态测试信号的模拟集成电路的设计gydF4y2Ba 《IEEE计算机辅助设计/ ACM国际会议gydF4y2Ba 1995年11月gydF4y2Ba 美国洛杉矶类似CAgydF4y2Ba 627年gydF4y2Ba 630年gydF4y2Ba 2 - s2.0 - 0029516733gydF4y2Ba 长gydF4y2Ba T。gydF4y2Ba 王gydF4y2Ba H。gydF4y2Ba 长gydF4y2Ba B。gydF4y2Ba 一个经典的参数识别方法和现代测试生成算法gydF4y2Ba 电路、系统和信号处理gydF4y2Ba 2011年gydF4y2Ba 30.gydF4y2Ba 2gydF4y2Ba 391年gydF4y2Ba 412年gydF4y2Ba 10.1007 / s00034 - 010 - 9228 - ygydF4y2Ba MR2769391gydF4y2Ba 2 - s2.0 - 79960039492gydF4y2Ba 杨gydF4y2Ba C。gydF4y2Ba 田gydF4y2Ba 年代。gydF4y2Ba 长gydF4y2Ba B。gydF4y2Ba 应用启发式图搜索为模拟电路故障字典技术测试点选择gydF4y2Ba IEEE仪表和测量gydF4y2Ba 2009年gydF4y2Ba 58gydF4y2Ba 7gydF4y2Ba 2145年gydF4y2Ba 2158年gydF4y2Ba 10.1109 / tim.2008.2006725gydF4y2Ba 2 - s2.0 - 67649588900gydF4y2Ba 杨gydF4y2Ba C。gydF4y2Ba 田gydF4y2Ba 年代。gydF4y2Ba 长gydF4y2Ba B。gydF4y2Ba 测试点选择模拟电路故障字典技术gydF4y2Ba 电子杂志的测试:理论和应用程序gydF4y2Ba 2009年gydF4y2Ba 25gydF4y2Ba 2 - 3gydF4y2Ba 157年gydF4y2Ba 168年gydF4y2Ba 10.1007 / s10836 - 008 - 5097 - 8gydF4y2Ba 2 - s2.0 - 67349191088gydF4y2Ba 李gydF4y2Ba X。gydF4y2Ba 谢gydF4y2Ba Y。gydF4y2Ba BigydF4y2Ba D。gydF4y2Ba AogydF4y2Ba Y。gydF4y2Ba 基于卡尔曼滤波的方法对模拟电路的故障诊断gydF4y2Ba 计量和测量系统gydF4y2Ba 2013年gydF4y2Ba 20.gydF4y2Ba 2gydF4y2Ba 307年gydF4y2Ba 322年gydF4y2Ba 10.2478 / mms - 2013 - 0027gydF4y2Ba 2 - s2.0 - 84878381148gydF4y2Ba 长gydF4y2Ba B。gydF4y2Ba 田gydF4y2Ba 年代。gydF4y2Ba 王gydF4y2Ba H。gydF4y2Ba 过滤后的模拟电路的诊断基于回归模型使用频率特性的宽容gydF4y2Ba 电子杂志的测试:理论和应用程序gydF4y2Ba 2012年gydF4y2Ba 28gydF4y2Ba 3gydF4y2Ba 291年gydF4y2Ba 300年gydF4y2Ba 10.1007 / s10836 - 011 - 5275 - ygydF4y2Ba 2 - s2.0 - 84862167982gydF4y2Ba 长gydF4y2Ba B。gydF4y2Ba 田gydF4y2Ba 年代。gydF4y2Ba 王gydF4y2Ba H。gydF4y2Ba 特征向量的选择方法使用Mahalanobis距离诊断基于回归模型的模拟电路gydF4y2Ba 电子杂志的测试:理论和应用程序gydF4y2Ba 2012年gydF4y2Ba 28gydF4y2Ba 5gydF4y2Ba 745年gydF4y2Ba 755年gydF4y2Ba 10.1007 / s10836 - 012 - 5301 - 8gydF4y2Ba 2 - s2.0 - 84869402853gydF4y2Ba VasangydF4y2Ba 答:S。gydF4y2Ba 长gydF4y2Ba B。gydF4y2Ba PechtgydF4y2Ba M。gydF4y2Ba 模拟电子电路的诊断和预测方法gydF4y2Ba IEEE工业电子产品gydF4y2Ba 2013年gydF4y2Ba 60gydF4y2Ba 11gydF4y2Ba 5277年gydF4y2Ba 5291年gydF4y2Ba 10.1109 / tie.2012.2224074gydF4y2Ba 2 - s2.0 - 84879096158gydF4y2Ba 崔gydF4y2Ba J。gydF4y2Ba 王gydF4y2Ba Y。gydF4y2Ba 模拟电路故障诊断的新方法,使用支持向量机分类器gydF4y2Ba 测量:测量期刊的国际联盟gydF4y2Ba 2011年gydF4y2Ba 44gydF4y2Ba 1gydF4y2Ba 281年gydF4y2Ba 289年gydF4y2Ba 10.1016 / j.measurement.2010.10.004gydF4y2Ba 2 - s2.0 - 78650012085gydF4y2Ba 毛gydF4y2Ba X。gydF4y2Ba 王gydF4y2Ba lgydF4y2Ba 李gydF4y2Ba C。gydF4y2Ba 支持向量机分类器的模拟故障诊断使用分形特性gydF4y2Ba 2gydF4y2Ba 第二届国际智能信息技术应用研讨会(IITA ' 08)gydF4y2Ba 2008年12月gydF4y2Ba 中国上海gydF4y2Ba 553年gydF4y2Ba 557年gydF4y2Ba 10.1109 / iita.2008.249gydF4y2Ba 2 - s2.0 - 62949102371gydF4y2Ba 唐gydF4y2Ba J。gydF4y2Ba 胡gydF4y2Ba Y。gydF4y2Ba 林gydF4y2Ba T。gydF4y2Ba 程ydF4y2Ba Y。gydF4y2Ba 模拟电路故障诊断基于模糊支持向量机和核密度估计gydF4y2Ba 学报》第三届国际会议上先进的计算机理论和工程(ICACTE 10)gydF4y2Ba 2010年8月gydF4y2Ba 成都,中国gydF4y2Ba V4544gydF4y2Ba V4548gydF4y2Ba 10.1109 / icacte.2010.5579303gydF4y2Ba 2 - s2.0 - 78149290711gydF4y2Ba 左gydF4y2Ba lgydF4y2Ba 侯gydF4y2Ba lgydF4y2Ba 张gydF4y2Ba W。gydF4y2Ba 吴gydF4y2Ba W。gydF4y2Ba 将小波支持向量机应用于模拟电路故障诊断gydF4y2Ba 第二届国际研讨会对教育技术和计算机科学(ETCS 10)gydF4y2Ba 2010年3月gydF4y2Ba 武汉,中国gydF4y2Ba IEEEgydF4y2Ba 75年gydF4y2Ba 78年gydF4y2Ba 10.1109 / etcs.2010.255gydF4y2Ba 2 - s2.0 - 77953203601gydF4y2Ba 黄gydF4y2Ba G.-B。gydF4y2Ba 朱gydF4y2Ba 徐瑞秋gydF4y2Ba 萧gydF4y2Ba C.-K。gydF4y2Ba 极端的学习机器:理论和应用程序gydF4y2Ba NeurocomputinggydF4y2Ba 2006年gydF4y2Ba 70年gydF4y2Ba 1 - 3gydF4y2Ba 489年gydF4y2Ba 501年gydF4y2Ba 10.1016 / j.neucom.2005.12.126gydF4y2Ba 2 - s2.0 - 33745903481gydF4y2Ba 黄gydF4y2Ba G.-B。gydF4y2Ba 程ydF4y2Ba lgydF4y2Ba 凸增量极端的学习机器gydF4y2Ba NeurocomputinggydF4y2Ba 2007年gydF4y2Ba 70年gydF4y2Ba 16日至18日gydF4y2Ba 3056年gydF4y2Ba 3062年gydF4y2Ba 10.1016 / j.neucom.2007.02.009gydF4y2Ba 2 - s2.0 - 34548158996gydF4y2Ba 黄gydF4y2Ba G.-B。gydF4y2Ba 周gydF4y2Ba H。gydF4y2Ba 丁gydF4y2Ba X。gydF4y2Ba 张gydF4y2Ba R。gydF4y2Ba 极端的学习机器的回归和多级分类gydF4y2Ba IEEE系统,人,控制论,B部分:控制论gydF4y2Ba 2012年gydF4y2Ba 42gydF4y2Ba 2gydF4y2Ba 513年gydF4y2Ba 529年gydF4y2Ba 10.1109 / TSMCB.2011.2168604gydF4y2Ba 2 - s2.0 - 84859007933gydF4y2Ba 黄gydF4y2Ba G.-B。gydF4y2Ba 丁gydF4y2Ba X。gydF4y2Ba 周gydF4y2Ba H。gydF4y2Ba 基于优化方法的极端的学习机器分类gydF4y2Ba NeurocomputinggydF4y2Ba 2010年gydF4y2Ba 74年gydF4y2Ba 1 - 3gydF4y2Ba 155年gydF4y2Ba 163年gydF4y2Ba 10.1016 / j.neucom.2010.02.019gydF4y2Ba 2 - s2.0 - 78649492473gydF4y2Ba 议会gydF4y2Ba C。gydF4y2Ba VapnikgydF4y2Ba V。gydF4y2Ba 支持向量网络gydF4y2Ba 机器学习gydF4y2Ba 1995年gydF4y2Ba 20.gydF4y2Ba 3gydF4y2Ba 273年gydF4y2Ba 297年gydF4y2Ba 10.1007 / BF00994018gydF4y2Ba 2 - s2.0 - 34249753618gydF4y2Ba SuykensgydF4y2Ba j·a·K。gydF4y2Ba 范GestelgydF4y2Ba T。gydF4y2Ba 德布拉班特省gydF4y2Ba J。gydF4y2Ba 最小二乘支持向量机gydF4y2Ba 2002年gydF4y2Ba 新加坡gydF4y2Ba 世界科学gydF4y2Ba 长gydF4y2Ba T。gydF4y2Ba 王gydF4y2Ba 周宏儒。gydF4y2Ba 长gydF4y2Ba B。gydF4y2Ba 改进的基于支持向量机的模拟测试生成算法gydF4y2Ba 系统工程与电子技术gydF4y2Ba 2011年gydF4y2Ba 33gydF4y2Ba 6gydF4y2Ba 1425年gydF4y2Ba 1428年gydF4y2Ba 10.3969 / j.issn.1001 - 506 x.2011.06.44gydF4y2Ba 2 - s2.0 - 79960063717gydF4y2Ba 汉gydF4y2Ba H。gydF4y2Ba 王gydF4y2Ba H。gydF4y2Ba 一种模拟电路故障诊断的新方法基于可测试性和混沌粒子群优化gydF4y2Ba 融合信息技术杂志》上gydF4y2Ba 2012年gydF4y2Ba 7gydF4y2Ba 14gydF4y2Ba 444年gydF4y2Ba 453年gydF4y2Ba 10.4156 / jcit.vol7.issue14.51gydF4y2Ba 2 - s2.0 - 84865030058gydF4y2Ba