CN103885867B - 一种模拟电路性能的在线评价方法 - Google Patents

Abstract

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。

Description

一种模拟电路性能的在线评价方法

技术领域

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

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。

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

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。

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；否则，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。

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集和集；

1.2、将寻优集和集采用网格搜索法寻优参数对进行交叉验证；

将数据样本的样本集D分为S组，把任意的组作为训练集即，剩余一组作为验证集即，可重复次，其泛化性能P可通过式(1)评价，

         （1）

式中：为第组验证集，为验证集样本的输入，为验证集样本的输出，为作为训练样本时得到的参数向量，即由回归方程组

                               （2）

求出回归参数即，其中，为高斯核函数，为拉格朗日乘子向量，为偏置向量；用验证集样本的输入，求出***的输出 ；

1.3、循环选择参数对并进行交叉验证，计算每对参数的泛化性能P直至网格搜索停止，进而保证式(1)中P最小的参数对为最优。

上述的模拟电路性能的在线评价方法，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，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的内积范数 且有；

1.3、令，返回对应的值，记作；同时若，计算对于类的隶属指数，对进行如下处理：判断和生成新类的阈值的大小关系；

当，

若，或者但，那么基于聚类算法的模糊隶属度；

若，且，那么基于聚类算法的模糊隶属度，通过最大隶属度原则可知所属的类，并将该类中所有样本代入

                 （3）

其中，表示加入新样本后产生的类的新的聚类中心，z为该类中所有样本的下标，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；

当，那么为新样本M建立一个新的类，并将该样本作为新增类的聚类中心；同时增加一个模糊聚类支持向量回归机子模型，并用该样本训练新增的模型；              

1.4、计算类中心偏差为，为应用模型预测后得到的误差数据列，为所有类中心中位值，对类中心进行有效性判定，当

，为中位值偏差，则该类为干扰，删除该类；当，则该类是错值，删除该类；当，则该类为正常样本，其中；

1.5、随着新增样本的到来返回步骤1.2，直到样本数达到样本最大容量。

上述的模拟电路性能的在线评价方法，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，，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；

1.2、找出样本所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），获得该类新的聚类中心，其中，表示加入新样本后产生的类的新的聚类中心，z为该类中所有样本的下标，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；

1.4、计算截集因子和当前采样时刻新增样本到步骤1.3更新后的聚类中心的内积范数：

                               （4）

1.5、令，返回对应的值，记作S；同时若，计算对于类的隶属指数，对进行如下处理：判断和生成新类的阈值的大小关系，

①当，

若，或者但，那么基于聚类算法的模糊隶属度；

若且，那么基于聚类算法的模糊隶属度，通过最大隶属度原则可知所属的类，并将该类中所有样本代入

                  （5）

其中，表示加入新样本后产生的类的新的聚类中心，z为该类中所有样本的下标，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；

②当，那么为新样本M建立一个新的类，并将该样本作为新增类的类中心；同时增加一个模糊聚类支持向量回归机子模型，并用该样本训练新增的模型；

1.6、计算类中心偏差为，为应用模型预测后得到的误差数据列，为所有类中心中位值，对类中心进行有效性判定，当

，为中位值偏差，则该类为干扰，删除该类；当，则该类是错值，删除该类；当，则该类为正常样本，其中；

1.7、 随着新增样本的到来返回步骤1.2，直到评价过程结束。

上述的模拟电路性能的在线评价方法，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

                                     （6）

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，定义数据点与点之间的距离为

         （7）

则定义为

                    （8）

式中：k为最近邻点个数。

上述的模拟电路性能的在线评价方法，在步骤四的支持向量回归模型的增量自更新为：

                               （9）

式(9)表示当前采样时刻模糊聚类支持向量回归机模型已有个样本，下一个采样时刻数据信息获取后，自更新后的模糊聚类支持向量回归机模型，式中：

，，

为当前采样时刻的核矩阵，，为单位向量，，，为增加样本后模型参数，为增量自更新后拉格朗日乘子，为增量自更新模型偏置量，为加入新样本后模型的输出， 为惩罚因子；

步骤四的支持向量回归模型的减量自更新模型参数为

                               （10）

式中，为减量自更新后拉格朗日乘子，为减量自更新后模型的输出，，为第k行k列的元素， 且

本发明与现有技术相比具有如下有益效果：

1）本发明所提出的模拟电路性能在线评价方法，与传统采用精密仪器评价方法相比，本发明***成本更低，实时性更优，便携性好、更易推广。

2）本发明所提出的模拟电路性能在线评价方法仅采用简单截集模糊C-聚类与支持向量回归机相结合，考虑增减量自更新的理念设计完成模拟电路性能在线评价方法，与利用鲁棒、滤波等设计的模拟电路评价方法相比，本发明在先评价方法结构简单，数据计算量小，可以有效处理错值、干扰参数等，更能够有效提升模拟电路在线评价的精度及速度，解决了传统的仪器评价方法的成本高、实时性差以及相关算法复杂、计算量大、数据过多而产生的溢出问题等，适用于模拟电路及可用示波器评测的电子产品性能的在线评价。

附图说明

图1是本发明的模拟电路性能在线评价流程图；

图2是本发明的模拟电路性能在线评价***结构图；

图3本发明中所采用的模拟电路测试对象；

图4是本发明测试的模拟电路的实际曲线图；

图5是本发明测试的模拟电路的训练样本以及通过训练样本得出的回归曲线图。

具体实施方式

 如图1所示，在线评价具体步骤如下：

步骤一、学习训练样本。

步骤二、截集模糊C-均值聚类

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；

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；

模糊聚类支持向量回归机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集和集；

1.2、将寻优集和集采用网格搜索法寻优参数对进行交叉验证；

将数据样本的样本集D分为S组，把任意的组作为训练集即，剩余一组作为验证集即，可重复次，其泛化性能P可通过式(1)评价，

         （1）

式中：为第组验证集，为验证集样本的输入，为验证集样本的输出，为作为训练样本时得到的参数向量，即由回归方程组

                               （2）

求出回归参数即，其中，为高斯核函数，为拉格朗日乘子向量，为偏置向量；用验证集样本的输入，求出***的输出 ；

1.3、循环选择参数对并进行交叉验证，计算每对参数的泛化性能P直至网格搜索停止，进而保证式(1)中P最小的参数对为最优。

 步骤三：结合增减量自更新学习，计算模糊隶属度

对步骤二中生成c个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；

其中，模糊支持向量回归机的模糊隶属度为

                                     （6）

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，定义数据点与点之间的距离为

         （7）

则定义为

                    （8）

步骤四：对预测样本进行预测，计算其均方根误差；

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；否则，进入步骤五。

步骤五：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。

进一步说明截集模糊C-均值聚类时，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，N为离线样本数；

1.1、初始化指数因子m=2，生成新类的阈值=0.1，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的内积范数 且有；

1.3、令，返回对应的值，记作；同时若，计算对于类的隶属指数，对进行如下处理：判断和生成新类的阈值的大小关系；

当，

若，或者但，那么基于聚类算法的模糊隶属度；

若，且，那么基于聚类算法的模糊隶属度，通过最大隶属度原则可知所属的类，并将该类中所有样本代入

                 （3）

其中，表示加入新样本后产生的类的新的聚类中心，z为该类中所有样本的下标，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；

当，那么为新样本M建立一个新的类，并将该样本作为新增类的聚类中心；同时增加一个模糊聚类支持向量回归机子模型，并用该样本训练新增的模型；              

1.4、计算类中心偏差为，为应用模型预测后得到的误差数据列，为所有类中心中位值，对类中心进行有效性判定，当

，为中位值偏差，则该类为干扰，删除该类；当，则该类是错值，删除该类；当，则该类为正常样本，其中；

1.5、随着新增样本的到来返回步骤1.2，直到样本数达到样本最大容量。

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，，为样本最大容量；

1.1、初始化指数因子m=2，生成新类的阈值=0.1，进行减量过程的初始化聚类数目；

1.2、找出样本所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），获得该类新的聚类中心，其中，表示加入新样本后产生的类的新的聚类中心，z为该类中所有样本的下标，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；

1.4、计算截集因子和当前采样时刻新增样本到步骤1.3更新后的聚类中心的内积范数：

                               （4）

1.5、令，返回对应的值，记作S；同时若，计算对于类的隶属指数，对进行如下处理：判断和生成新类的阈值的大小关系，

①当，

若，或者但，那么基于聚类算法的模糊隶属度；

若且，那么基于聚类算法的模糊隶属度，通过最大隶属度原则可知所属的类，并将该类中所有样本代入

                  （5）

其中，表示加入新样本后产生的类的新的聚类中心，z为该类中所有样本的下标，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；

②当，那么为新样本M建立一个新的类，并将该样本作为新增类的类中心；同时增加一个模糊聚类支持向量回归机子模型，并用该样本训练新增的模型；

1.6、计算类中心偏差为，为应用模型预测后得到的误差数据列，为所有类中心中位值，对类中心进行有效性判定，当

，为中位值偏差，则该类为干扰，删除该类；当，则该类是错值，删除该类；当，则该类为正常样本，其中；

1.7、 随着新增样本的到来返回步骤1.2，直到评价过程结束。

支持向量回归模型的增量自更新为：

                               （9）

式(9)表示当前采样时刻模糊聚类支持向量回归机模型已有个样本，下一个采样时刻数据信息获取后，自更新后的模糊聚类支持向量回归机模型，式中：

，，

为当前采样时刻的核矩阵，，为单位向量，，，为增加样本后模型参数，为增量自更新后拉格朗日乘子，为增量自更新模型偏置量，为加入新样本后模型的输出， 为惩罚因子；

支持向量回归模型的减量自更新模型参数为

                               （10）

式中，为减量自更新后拉格朗日乘子，为减量自更新后模型的输出，，为第k行k列的元素， 且

。

 以图3的模拟电路为测试对象，其实际性能曲线如图4所示。将本发明的模拟电路性能的在线评价方法用于图3的模拟电路，如图2所示，首先对被测对象进行数据采集，录入计算机***后，通过本发明的模拟电路性能的在线评价方法形成的性能评价***进行测试。测试的模拟电路的训练样本以及剔除错值、干扰参数后的训练样本得出的回归性能曲线如图5。由图4和图5可以看出，模拟电路的实际性能曲线与用本发明的在线评价方法获得的回归性能曲线相吻合，说明本发明的模拟电路性能评价方法，能准确测评模拟电路的性能状态。

本发明的评价方法可推广于以示波器作为评测工具的电子产品的性能在线评价中。

Claims (3)

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；

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集和集；

1.2、将寻优集和集采用网格搜索法寻优参数对进行交叉验证；

将数据样本的样本集D分为S组，把任意的组作为训练集即，剩余一组作为验证集即，可重复次，其泛化性能P可通过式(1)评价，

         （1）

式中：为第组验证集，为验证集样本的输入，为验证集样本的输出，为作为训练样本时得到的参数向量，即由回归方程组

                               （2）

求出回归参数即，其中，为高斯核函数，为拉格朗日乘子向量，为偏置向量；用验证集样本的输入，求出***的输出 ；

1.3、循环选择参数对并进行交叉验证，计算每对参数的泛化性能P直至网格搜索停止，进而保证式(1)中P最小的参数对为最优；

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；

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，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的内积范数 且有；

1.3、 令，返回对应的值，记作；同时若，计算对于类的隶属指数，对进行如下处理：判断和生成新类的阈值的大小关系；

当，

若，或者但，那么基于聚类算法的模糊隶属度；

若，且，那么基于聚类算法的模糊隶属度，通过最大隶属度原则可知所属的类，并将该类中所有样本代入

                 （3）

其中，表示加入新样本后产生的类的新的聚类中心，z为该类中所有样本的下标，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；

当，那么为新样本M建立一个新的类，并将该样本作为新增类的聚类中心；同时增加一个模糊聚类支持向量回归机子模型，并用该样本训练新增的模型；

1.4、计算类中心偏差为，为应用模型预测后得到的误差数据列，为所有类中心中位值，对类中心进行有效性判定，当

，为中位值偏差，则该类为干扰，删除该类；当，则该类是错值，删除该类；当，则该类为正常样本，其中；

1.5、随着新增样本的到来返回步骤1.2，直到样本数达到样本最大容量；

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；否则，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；

支持向量回归模型的增量自更新为：

                                   （9）

式(9)表示当前采样时刻模糊聚类支持向量回归机模型已有个样本，下一个采样时刻数据信息获取后，自更新后的模糊聚类支持向量回归机模型，式中：

，，

为当前采样时刻的核矩阵，，为单位向量，，，为增加样本后模型参数，为增量自更新后拉格朗日乘子，为增量自更新模型偏置量，为加入新样本后模型的输出， 为惩罚因子；

支持向量回归模型的减量自更新模型参数为

                               （10）

式中，为减量自更新后拉格朗日乘子，为减量自更新后模型的输出，，为第k行k列的元素， 且

。

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，，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；

1.2、找出样本所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），获得该类新的聚类中心，其中，表示加入新样本后产生的类的新的聚类中心，z为该类中所有样本的下标，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；

 1.4、计算截集因子和当前采样时刻新增样本到步骤1.3更新后的聚类中心的内积范数：

                               （4）

1.5、令，返回对应的值，记作S；同时若，计算对于类的隶属指数，对进行如下处理：判断和生成新类的阈值的大小关系，

①当，

若，或者但，那么基于聚类算法的模糊隶属度；

若且，那么基于聚类算法的模糊隶属度，通过最大隶属度原则可知所属的类，并将该类中所有样本代入

                  （5）

其中，表示加入新样本后产生的类的新的聚类中心，z为该类中所有样本的下标，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；

②当，那么为新样本M建立一个新的类，并将该样本作为新增类的类中心；同时增加一个模糊聚类支持向量回归机子模型，并用该样本训练新增的模型；

1.6、计算类中心偏差为，为应用模型预测后得到的误差数据列，为所有类中心中位值，对类中心进行有效性判定，当

，为中位值偏差，则该类为干扰，删除该类；当，则该类是错值，删除该类；当，则该类为正常样本，其中；

1.7、 随着新增样本的到来返回步骤1.2，直到评价过程结束。

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，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

                                   （6）

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，定义数据点与点之间的距离为

             （7）

则定义为

                        （8）

式中：k为最近邻点个数。