一种模拟电路性能的在线评价方法
【专利摘要】一种模拟电路性能的在线评价方法，首先确定模糊聚类支持向量回归机模型的核函数类型和参数，采用截集模糊C-均值聚类算法对数据样本进行聚类，生成c个类，对每类中的数据样本结合k近邻思想，计算其模糊隶属度，生成c个模糊聚类支持向量回归机子模型；使用生成的c个模糊聚类支持向量回归机子模型对数据样本中的训练样本进行训练，计算其均方根误差MSE，当均方根误差MSE>算法终止条件，则终止循环，确定最终模糊聚类支持向量回归机模型；否则，加入新样本后，判断当前样本总数与样本容量的大小关系，进行增量更新和减量更新。优点是：实现对错值、干扰参数的有效处理，保证评价精度，提高了在线运算速度。
【专利说明】一种模拟电路性能的在线评价方法
【技术领域】
[0001]本发明涉及一种模拟电路性能的在线评价方法，具体涉及一种基于模糊聚类支持向量回归机的模拟电路性能的在线评价方法。
【背景技术】
[0002]随着电子技术的飞速发展，模拟电路的广泛应用性、复杂度与密集度不断增长的同时，对其运行的可靠性要求也在日益提高。而模拟电路因其自身及其故障的多样性、复杂性，使得现有性能评价技术发展缓慢。现有的模拟电路性能评价与检测方法多采用仪器设备的评价方法，该评价方法缺点在于成本高、便携性差。
[0003]神经网络、模糊逻辑、遗传算法等智能技术的发展，为模拟电路性能评价提供了有效空间，特别是支持向量机受到更为广阔的研究与应用。目前所有的以支持向量机为关键技术实现的机器评价方法虽具有评价精度优、便携、低成本等优点，但其现有设计并未考虑工厂实际现状，即所采集的数据因受工厂实际环境所存在的错值和干扰，由此而产生错误评测。
【发明内容】
[0004]本发明要解决的技术问题是提供一种评价精度优、便携、低成本、快速、精准，可实现错值、干扰值有效处理的模拟电路性能的在线评价方法。
[0005]本发明采用如下技术方案:
一种模拟电路性能的在线评价方法，其具体步骤如下:
步骤一:确定模糊聚类支持向量回归机模型的核函数类型，模糊聚类支持向量回归机模型参数有初始化聚类数目C，进行减量过程的样本容量
?，最近邻点个数k，算法终止条件;
步骤二:采用截集模糊C-均值聚类算法对数据样本进行聚类，生成c个类，对每类中的数据样本结合k近邻思想，计算其模糊隶属度，生成c个模糊聚类支持向量回归机子模型；步骤三:使用生成的c个模糊聚类支持向量回归机子模型对数据样本中的训练样本进
行训练，计算其均方根误差MSE，判断均方根误差MSE与算法终止条件ξ的大小关系，当均
方根误差MSE>算法终止条件# ,则终止循环，确定最终模糊聚类支持向量回归机模型；否贝U，进入步骤四；
步骤四:利用滚动时间窗内的数据优化建模过程中，模型随着时间窗的滚动进行在线更新加入新样本后，判断当前样本总数与样本容量的大小关系，当前样本总数M <样本容量则进行增量更新，返回步骤二 ；否则采用减量更新，返回步骤二。
[0006]上述的模拟电路性能的在线评价方法，步骤一中模糊聚类支持向量回归机子模型的核函数采用高斯核函数，高斯核函数的核参数惩罚因子〃和核宽度-的优化过程如下:
1.1、首先采用指数增长方式寻优f集和-集；1.2、将寻优> 集和集采用网格搜索法寻优参数对(r，cr)进行交叉验证；
将数据样本的样本集D分为S组丨H…及丨，把任意的n组作为训练集即(U)，剩
余一组作为验证集即可重复$次，其泛化性能P可通过式(I)评价，
【权利要求】
1.一种模拟电路性能的在线评价方法，其特征是:其具体步骤如下:步骤一:确定模糊聚类支持向量回归机模型的核函数类型，模糊聚类支持向量回归机模型参数有初始化聚类数目C，进行减量过程的样本容量?，最近邻点个数k，算法终止条件；步骤二:采用截集模糊C-均值聚类算法对数据样本进行聚类，生成c个类，对每类中的数据样本结合k近邻思想，计算其模糊隶属度，生成c个模糊聚类支持向量回归机子模型；步骤三:使用生成的c个模糊聚类支持向量回归机子模型对数据样本中的训练样本进行训练，计算其均方根误差MSE，判断均方根误差MSE与算法终止条件ξ的大小关系，当均方根误差MSE>算法终止条件#，则终止循环，确定最终模糊聚类支持向量回归机模型；否贝U，进入步骤四； 步骤四:利用滚动时间窗内的数据优化建模，模型随着时间窗的滚动进行在线更新，加入新样本后，判断当前样本总数与样本容量的大小关系，当前样本总数M <样本容量则进行增量更新，返回步骤二 ；否则采用减量更新，返回步骤二。
2.根据权利要求1所述的模拟电路性能的在线评价方法，其特征是:步骤一中模糊聚类支持向量回归机子模型的核函数采用高斯核函数，高斯核函数的核参数惩罚因子f和核宽度的优化过程如下: ，1.1、首先采用指数增长方式寻优F集和f集； ，1.2、将寻优^集和σ集采 用网格搜索法寻优参数对Cr,O)进行交叉验证； 将数据样本的样本集D分为 S组丨H…爲丨，把任意的n组作为训练集即(U)，剩余一组作为验证集即f可重复次，其泛化性能P可通过式(I)评价，
3.根据权利要求1所述的模拟电路性能的在线评价方法，其特征是:步骤二中截集模糊C-均值聚类，利用滚动时间窗内的数据优化建模，模型随着时间窗的滚动进行在线更新，对新加入样本实现在线定位，并更新支持向量回归机子模型，所采用增减交互聚类算法为增量聚类算法时: 设当前采样时刻模糊聚类支持向量回归机模型数据样本数为M，其中M> W，N为离线样本数； .1.1、初始化指数因子m，生成新类的阈值进行增量过程的初始化聚类数目d ； .1.2、计算截集因子和当前采样时刻新增样本\￥到上一个采样时刻确定的聚类中心Vi的内积范数<.Μ且有
4.根据权利要求1所述的模拟电路性能的在线评价方法，其特征是:步骤二中截集模糊C-均值聚类，模型随着时间窗的滚动进行在线更新，利用滚动时间窗内的数据优化建模，对新加入样本实现在线定位，并更新支持向量回归机子模型，所采用增减交互聚类算法为减量聚类算法时: 设当前模糊聚类支持向量回归机模型因增量学习更新至数据样本数为M，M>f，f为样本最大容量； 1.1、初始化指数因子m，生成新类的阈值,进行减量过程的初始化聚类数目6 ； ?.2、找出样本对应的类中隶属最小的元素，并删除该元素；1.3、将删除后该类中所有样本代入式(3)
5.根据权利要求1所述的模拟电路性能的在线评价方法，其特征是:步骤二中截集模糊C-均值聚类，利用滚动时间窗内的数据优化建模，对新加入样本实现在线定位，并更新支持向量回归机子模型； 步骤二中模糊支持向量回归机的模糊隶属度为 式中，为由截集模糊C-均值聚类算法得到的所有样本的模糊隶属度，为基于紧密度的模糊隶属度； 针对训练样本集
6.根据权利要求1所述的模拟电路性能的在线评价方法，其特征是:在步骤四的支持向量回归模型的增量自更新为:
【文档编号】G06F11/26GK103885867SQ201410123824
【公开日】2014年6月25日 申请日期:2014年3月28日 优先权日:2014年3月28日
【发明者】张爱华, 王永超, 霍星, 张志强, 王春杰, 方辉 申请人:渤海大学