CN108763742A - 一种强电磁脉冲效应易损性评估方法及装置 - Google Patents
一种强电磁脉冲效应易损性评估方法及装置 Download PDFInfo
- Publication number
- CN108763742A CN108763742A CN201810521011.2A CN201810521011A CN108763742A CN 108763742 A CN108763742 A CN 108763742A CN 201810521011 A CN201810521011 A CN 201810521011A CN 108763742 A CN108763742 A CN 108763742A
- Authority
- CN
- China
- Prior art keywords
- electromagnetic pulse
- effect
- physical quantity
- vulnerability assessment
- parameter
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 230000000694 effects Effects 0.000 title claims abstract description 114
- 238000000034 method Methods 0.000 title claims abstract description 26
- 238000012360 testing method Methods 0.000 claims abstract description 74
- 238000012549 training Methods 0.000 claims description 30
- 238000010276 construction Methods 0.000 claims description 14
- 238000012706 support-vector machine Methods 0.000 claims description 9
- 230000005684 electric field Effects 0.000 claims description 7
- 230000000875 corresponding effect Effects 0.000 claims description 6
- 238000010845 search algorithm Methods 0.000 claims description 6
- 230000008878 coupling Effects 0.000 claims description 5
- 238000010168 coupling process Methods 0.000 claims description 5
- 238000005859 coupling reaction Methods 0.000 claims description 5
- 238000011156 evaluation Methods 0.000 claims description 4
- 238000004364 calculation method Methods 0.000 claims description 3
- 238000005259 measurement Methods 0.000 claims description 3
- 238000004519 manufacturing process Methods 0.000 claims description 2
- 239000000523 sample Substances 0.000 description 23
- 230000006870 function Effects 0.000 description 11
- 238000000926 separation method Methods 0.000 description 7
- 238000010586 diagram Methods 0.000 description 4
- 241000208340 Araliaceae Species 0.000 description 3
- 235000005035 Panax pseudoginseng ssp. pseudoginseng Nutrition 0.000 description 3
- 235000003140 Panax quinquefolius Nutrition 0.000 description 3
- 235000008434 ginseng Nutrition 0.000 description 3
- 239000011159 matrix material Substances 0.000 description 3
- 210000001367 artery Anatomy 0.000 description 2
- 238000013480 data collection Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000010801 machine learning Methods 0.000 description 2
- 238000004321 preservation Methods 0.000 description 2
- 210000003462 vein Anatomy 0.000 description 2
- 238000013459 approach Methods 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000009826 distribution Methods 0.000 description 1
- 230000009977 dual effect Effects 0.000 description 1
- 230000005611 electricity Effects 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 238000004080 punching Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Computational Linguistics (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Computer Hardware Design (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Geometry (AREA)
- Data Mining & Analysis (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种强电磁脉冲效应易损性评估方法,包括:向待评估的测试对象输入电磁脉冲,并对输入电磁脉冲的测试对象进行测量,获得影响电磁脉冲效应的物理量;将所述物理量输入至预先构建的逻辑斯特模型,输出所述测试对象产生电磁脉冲效应的概率;根据输出的概率对所述测试对象的电磁脉冲效应进行易损性评估。本发明还公开了一种强电磁脉冲效应易损性评估装置。本发明能够提高评估的准确性和通用性。
Description
技术领域
本发明涉及核电技术领域,尤其涉及一种强电磁脉冲效应易损性评估方法及装置。
背景技术
强电磁脉冲效应评估是强电磁脉冲研究的出发点和落脚点。在强电磁脉冲效应实验中,由于测试对象的高可靠性和难以恢复、实验成本的高昂等原因,所获取的效应数据极为有限,难以对测试对象进行有效的易损性评估。
目前常用的一种方法是贝叶斯方法,贝叶斯方法是解决小子样评估问题的一种常用方法,首先给出易损性阈值函数模型,进而通过先验认识和效应数据的似然函数求得模型参数的后验分布,最后将后验参数带入模型求得确定的阈值函数。
上述方法首先需要给出含参的阈值函数模型,相当于对阈值分布进行判断,但对于一些给定的测试对象,由于事先没有任何的认识和经验,无法对阈值分布进行判断,导致该方法对评估结果造成一定的误差。
发明内容
本发明针对现有技术中存在的问题,提供了一种强电磁脉冲效应易损性评估方法及装置,能够提高评估的准确性和通用性。
本发明就上述技术问题而提出的技术方案如下:
一方面,本发明提供一种强电磁脉冲效应易损性评估方法,包括:
向待评估的测试对象输入电磁脉冲,并对输入电磁脉冲的测试对象进行测量,获得影响电磁脉冲效应的物理量;
将所述物理量输入至预先构建的逻辑斯特模型,输出所述测试对象产生电磁脉冲效应的概率;
根据输出的概率对所述测试对象的电磁脉冲效应进行易损性评估。
进一步地,在将所述物理量输入至预先构建的逻辑斯特模型之前,还包括:
向测试样本输入不同场强幅值的电磁脉冲,获取所述测试样本在输入不同电磁脉冲时的物理量及相应的效应状态并保存至训练数据集,所述效应状态为产生效应或未产生效应;
基于支持向量机,采用对偶算法构建凸二次规划问题,并根据所述训练数据集求取所述凸二次规划问题的最优解;
根据求取的最优解确定分离超平面,并根据所述分离超平面构建所述逻辑斯特模型。
进一步地,所述根据所述训练数据集求取所述凸二次规划问题的最优解,具体包括:
选取惩罚参数,根据所述惩罚参数和所述训练数据集对所述凸二次规划问题进行求解;
其中,所述凸二次规划问题为:
其中,xi为物理量,yi为效应状态,C为惩罚参数,αi为拉格朗日乘子,N为向测试样本输入电磁脉冲的个数,R为实数集;
获得所述凸二次规划问题的最优解
进一步地,所述根据求取的最优解确定分离超平面,并根据所述分离超平面构建所述逻辑斯特模型,具体包括:
根据所述凸二次规划问题的最优解和所述训练数据集,计算分离超平面的法向量参数
对于每一满足的j,计算样本点
求取所有样本点b的平均值,作为分离超平面的截距参数b*;
根据分离超平面的法向量参数w*和截距参数b*,获得所述分离超平面w*·x+b*=0;
根据所述分离超平面w*·x+b*=0,构建所述逻辑斯特模型
进一步地,所述物理量包括脉冲电场峰值、线缆端口耦合电流峰值和线缆端口耦合能量。
另一方面,本发明提供一种强电磁脉冲效应易损性评估装置,包括:
测量模块,用于向待评估的测试对象输入电磁脉冲,并对输入电磁脉冲的测试对象进行测量,获得影响电磁脉冲效应的物理量;
概率输出模块,用于将所述物理量输入至预先构建的逻辑斯特模型,输出所述测试对象产生电磁脉冲效应的概率;
评估模块,用于根据输出的概率对所述测试对象的电磁脉冲效应进行易损性评估。
进一步地,所述强电磁脉冲效应易损性评估装置还包括:
数据获取模块,用于向测试样本输入不同场强幅值的电磁脉冲,获取所述测试样本在输入不同电磁脉冲时的物理量及相应的效应状态并保存至训练数据集,所述效应状态为产生效应或未产生效应;
最优解求取模块,用于基于支持向量机,采用对偶算法构建凸二次规划问题,并根据所述训练数据集求取所述凸二次规划问题的最优解;
模型构建模块,用于根据求取的最优解确定分离超平面,并根据所述分离超平面构建所述逻辑斯特模型。
进一步地,所述最优解求取模块具体包括:
求解单元,用于选取惩罚参数,根据所述惩罚参数和所述训练数据集对所述凸二次规划问题进行求解;
其中,所述凸二次规划问题为:
其中,xi为物理量,yi为效应状态,C为惩罚参数,αi为拉格朗日乘子,N为向测试样本输入电磁脉冲的个数,R为实数集;
最求解获取单元,用于获得所述凸二次规划问题的最优解
进一步地,所述模型构建模块具体包括:
法向量参数计算单元,用于根据所述凸二次规划问题的最优解和所述训练数据集,计算分离超平面的法向量参数
样本点计算单元,用于对于每一满足的j,计算样本点
截距参数计算单元,用于求取所有样本点b的平均值,作为分离超平面的截距参数b*;
分离超平面获取单元,用于根据分离超平面的法向量参数w*和截距参数b*,获得所述分离超平面w*·x+b*=0;
逻辑斯特模型构建单元,用于根据所述分离超平面w*·x+b*=0,构建所述逻辑斯特模型
进一步地,所述物理量包括脉冲电场峰值、线缆端口耦合电流峰值和线缆端口耦合能量。
本发明实施例提供的技术方案带来的有益效果是:
预先构建逻辑斯特模型,获取待评估的测试对象在输入电磁脉冲后可能会影响电磁脉冲效应结果的物理量,将该物理量输入至逻辑斯特模型即可获得测试对象产生电磁冲效应的概率,从而对测试对象进行电磁脉冲效应易损性的评估,有效提高评估的准确性和通用性。
附图说明
为了更清楚地说明本发明实施例中的技术方案,下面将对实施例描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1是本发明实施例一提供的强电磁脉冲效应易损性评估方法的流程示意图;
图2是本发明实施例一提供的强电磁脉冲效应易损性评估方法中逻辑斯特模型的工作原理图;
图3是本发明实施例二提供的强电磁脉冲效应易损性评估装置的结构示意图。
具体实施方式
为了解决现有技术中存在的因模型含参而导致的评估不准确、通用性不强等技术问题,本发明旨在提供一种强电磁脉冲效应易损性评估方法,其核心思想是:预先构建逻辑斯特模型,获取待评估的测试对象在输入电磁脉冲后可能会影响电磁脉冲效应结果的物理量,将该物理量输入至逻辑斯特模型即可获得测试对象产生电磁冲效应的概率,从而对测试对象进行电磁脉冲效应易损性的评估。本实施例能够解决现有强电磁脉冲易损性评估方法中模型含参的问题,提高评估的准确性和通用性。
为使本发明的目的、技术方案和优点更加清楚,下面将结合附图对本发明实施方式作进一步地详细描述。
实施例一
本发明实施例提供了一种强电磁脉冲效应易损性评估方法,参见图1,该方法包括:
S1、向待评估的测试对象输入电磁脉冲,并对输入电磁脉冲的测试对象进行测量,获得影响电磁脉冲效应的物理量;
S2、将所述物理量输入至预先构建的逻辑斯特模型,输出所述测试对象产生电磁脉冲效应的概率;
S3、根据输出的概率对所述测试对象的电磁脉冲效应进行易损性评估。
需要说明的是,向待评估的测试对象输入电磁脉冲,对测试对象进行电磁脉冲效应试验,通过各种传感器,例如基于光纤传输的电场探头和电流环等测量电磁脉冲效应试验中可能影响效应结果的物理量,其中物理量包括脉冲电场峰值、线缆端口耦合电流峰值和线缆端口耦合能量等。
将所述物理量输入至预先构建的逻辑斯特模型,使逻辑斯特模型输出所述测试对象产生电磁脉冲效应的概率,进而根据该概率对测试对象进行电磁脉冲效应易损性的评估,即测试对象产生电磁脉冲效应的概率大,则评估其电磁脉冲效应易损性大,测试对象产生电磁脉冲效应的概率小,则评估其电磁脉冲效应易损性小。
进一步地,在将所述物理量输入至预先构建的逻辑斯特模型之前,还包括:
向测试样本输入不同场强幅值的电磁脉冲,获取所述测试样本在输入不同电磁脉冲时的物理量及相应的效应状态并保存至训练数据集,所述效应状态为产生效应或未产生效应;
基于支持向量机,采用对偶算法构建凸二次规划问题,并根据所述训练数据集求取所述凸二次规划问题的最优解;
根据求取的最优解确定分离超平面,并根据所述分离超平面构建所述逻辑斯特模型。
需要说明的是,在对测试对象的电磁脉冲效应进行易损性评估前,先构建逻辑斯特模型。选取测试样本,向该测试样本输入不同场强幅值的电磁脉冲来进行电磁脉冲效应试验。每输入一个场强幅值的电磁脉冲,测量获得电磁脉冲效应中可能影响效应结果的物理量,并观测测试样本的效应状态,即产生效应或未产生效应,从而获得训练数据集T={(x1,y1),(x2,y2),L,(xN,yN)},xi∈Rn,yi∈{-1,+1},i=1,2,L,N。其中,xi为测量的物理量,yi为效应状态。
本实施列基于支持向量机对测试对象的强电磁脉冲效应进行易损性评估,其基本模型是定义在特征空间上的间隔最大的线性分类器,可以形式化为一个求解凸二次规划的问题,也等价于正则化的合页损失函数的最小化问题。由于效应数据通常存在一些特异点且并非线性可分,采取软间隔最大化方法求取该最优化问题,通过求解对偶问题而得到原始问题的解,进而确定分离超平面和逻辑斯特函数。在评估时,将测试特征点(即物理量)的几何间隔代入逻辑斯特函数中即可求得该点的效应概率,从而进行效应的易损性评估。
进一步地,所述根据所述训练数据集求取所述凸二次规划问题的最优解,具体包括:
选取惩罚参数,根据所述惩罚参数和所述训练数据集对所述凸二次规划问题进行求解;
其中,所述凸二次规划问题为:
其中,xi为物理量,yi为效应状态,C为惩罚参数,αi为拉格朗日乘子,N为向测试样本输入电磁脉冲的个数,R为实数集;
获得所述凸二次规划问题的最优解
需要说明的是,惩罚参数C值大时对误分类的惩罚增大,C值小时对误分类的惩罚减小,因此惩罚参数C的选择是根据应用问题决定的。
进一步地,所述根据求取的最优解确定分离超平面,并根据所述分离超平面构建所述逻辑斯特模型,具体包括:
根据所述凸二次规划问题的最优解和所述训练数据集,计算分离超平面的法向量参数
对于每一满足的j,计算样本点
求取所有样本点b的平均值,作为分离超平面的截距参数b*;
根据分离超平面的法向量参数w*和截距参数b*,获得所述分离超平面w*·x+b*=0;
根据所述分离超平面w*·x+b*=0,构建所述逻辑斯特模型
需要说明的是,在计算分离超平面的截距参数b*时,选择所有满足条件的j,对于每个j,都能确定xi和yi,从而求出b,即将b作为满足条件的样本点,实际计算时求取所有满足条件的样本点的平均值,该平均值即为分离超平面的截距参数b*。
在获得分离超平面的法向量参数w*和截距参数b*后,即可求得分离超平面w*·x+b*=0,进而获得分类决策函数f(x)=sign(w*·x+b*),即将测试对象的物理量输入至分类决策函数中,输出产生效应或未产生效应的分类结果。
但为了对电磁脉冲效应进行易损性评估,还需给出产生效应的概率判断,即P(y=1|x),而不仅仅是给出分类判断。构建逻辑斯特模型,并采用逻辑斯特模型将分类结果转化为概率结果,即:
在逻辑斯特模型输出概率后,即可基于输出的概率可以对效应现象进行易损性的评估判断。
参见图2,是本发明实施例中的逻辑斯特模型的工作原理图,其中实线表示分离超平面,虚线表示间隔边界,“。”表示效应点,“×”表示无效应点,各个实例到间隔边界的距离为距离分离超平面远的点预测概率较高,距离分离超平面近的点预测概率较低。
本发明实施例不需要对测试对象的阈值损失函数获取更多的先验信息,仅仅基于少量的实验数据(即训练数据集)构建凸二次规划问题,通过求解确定分离超平面和决策函数,距离分离超平面远的点预测概率较高,距离分离超平面近的点预测概率较低,从而可以对测试对象进行易损性效应评估,且基于支持向量机作为一种统计机器学习算法,以结构风险最小化为训练目标,能够很好地解决过学习、维数灾难、局部最优化等传统机器学习算法遇到的问题。
实施例二
本发明实施例提供了一种强电磁脉冲效应易损性评估装置,能够实现上述强电磁脉冲效应易损性评估方法的所有流程,参见图3,所述装置包括:
测量模块1,用于向待评估的测试对象输入电磁脉冲,并对输入电磁脉冲的测试对象进行测量,获得影响电磁脉冲效应的物理量;
概率输出模块2,用于将所述物理量输入至预先构建的逻辑斯特模型,输出所述测试对象产生电磁脉冲效应的概率;
评估模块3,用于根据输出的概率对所述测试对象的电磁脉冲效应进行易损性评估。
进一步地,所述强电磁脉冲效应易损性评估装置还包括:
数据获取模块,用于向测试样本输入不同场强幅值的电磁脉冲,获取所述测试样本在输入不同电磁脉冲时的物理量及相应的效应状态并保存至训练数据集,所述效应状态为产生效应或未产生效应;
最优解求取模块,用于基于支持向量机,采用对偶算法构建凸二次规划问题,并根据所述训练数据集求取所述凸二次规划问题的最优解;
模型构建模块,用于根据求取的最优解确定分离超平面,并根据所述分离超平面构建所述逻辑斯特模型。
进一步地,所述最优解求取模块具体包括:
求解单元,用于选取惩罚参数,根据所述惩罚参数和所述训练数据集对所述凸二次规划问题进行求解;
其中,所述凸二次规划问题为:
其中,xi为物理量,yi为效应状态,C为惩罚参数,αi为拉格朗日乘子,N为向测试样本输入电磁脉冲的个数,R为实数集;
最求解获取单元,用于获得所述凸二次规划问题的最优解
进一步地,所述模型构建模块具体包括:
法向量参数计算单元,用于根据所述凸二次规划问题的最优解和所述训练数据集,计算分离超平面的法向量参数
样本点计算单元,用于对于每一满足的j,计算样本点
截距参数计算单元,用于求取所有样本点b的平均值,作为分离超平面的截距参数b*;
分离超平面获取单元,用于根据分离超平面的法向量参数w*和截距参数b*,获得所述分离超平面w*·x+b*=0;
逻辑斯特模型构建单元,用于根据所述分离超平面w*·x+b*=0,构建所述逻辑斯特模型
进一步地,所述物理量包括脉冲电场峰值、线缆端口耦合电流峰值和线缆端口耦合能量。
本发明实施例预先构建逻辑斯特模型,获取待评估的测试对象在输入电磁脉冲后可能会影响电磁脉冲效应结果的物理量,将该物理量输入至逻辑斯特模型即可获得测试对象产生电磁冲效应的概率,从而对测试对象进行电磁脉冲效应易损性的评估,有效提高评估的准确性和通用性。
综上所述,本发明提出了一种强电磁脉冲效应易损性评估方法及装置,其具有较好的实用效果:无需对测试对象的阈值损失函数获取更多的先验信息,仅仅基于少量的实验数据构建凸二次规划问题,通过求解确定分离超平面和决策函数,距离分离超平面远的点预测概率较高,距离分离超平面近的点预测概率较低,从而可以对测试对象进行易损性效应评估,且基于支持向量机作为一种统计机器学习算法,以结构风险最小化为训练目标,能够很好地解决过学习、维数灾难、局部最优化等传统机器学习算法遇到的问题。
以上所述仅为本发明的较佳实施例,并不用以限制本发明,凡在本发明的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (10)
1.一种强电磁脉冲效应易损性评估方法,其特征在于,包括:
向待评估的测试对象输入电磁脉冲,并对输入电磁脉冲的测试对象进行测量,获得影响电磁脉冲效应的物理量;
将所述物理量输入至预先构建的逻辑斯特模型,输出所述测试对象产生电磁脉冲效应的概率;
根据输出的概率对所述测试对象的电磁脉冲效应进行易损性评估。
2.如权利要求1所述的强电磁脉冲效应易损性评估方法,其特征在于,在将所述物理量输入至预先构建的逻辑斯特模型之前,还包括:
向测试样本输入不同场强幅值的电磁脉冲,获取所述测试样本在输入不同电磁脉冲时的物理量及相应的效应状态并保存至训练数据集,所述效应状态为产生效应或未产生效应;
基于支持向量机,采用对偶算法构建凸二次规划问题,并根据所述训练数据集求取所述凸二次规划问题的最优解;
根据求取的最优解确定分离超平面,并根据所述分离超平面构建所述逻辑斯特模型。
3.如权利要求2所述的强电磁脉冲效应易损性评估方法,其特征在于,所述根据所述训练数据集求取所述凸二次规划问题的最优解,具体包括:
选取惩罚参数,根据所述惩罚参数和所述训练数据集对所述凸二次规划问题进行求解;
其中,所述凸二次规划问题为:
0≤αi≤C,xi∈Rn,yi∈{-1,+1},i=1,2,L,N;
其中,xi为物理量,yi为效应状态,C为惩罚参数,αi为拉格朗日乘子,N为向测试样本输入电磁脉冲的个数,R为实数集;
获得所述凸二次规划问题的最优解
4.如权利要求3所述的强电磁脉冲效应易损性评估方法,其特征在于,所述根据求取的最优解确定分离超平面,并根据所述分离超平面构建所述逻辑斯特模型,具体包括:
根据所述凸二次规划问题的最优解和所述训练数据集,计算分离超平面的法向量参数
对于每一满足的j,计算样本点
求取所有样本点b的平均值,作为分离超平面的截距参数b*;
根据分离超平面的法向量参数w*和截距参数b*,获得所述分离超平面w*·x+b*=0;
根据所述分离超平面w*·x+b*=0,构建所述逻辑斯特模型
5.如权利要求1至4任一项所述的强电磁脉冲效应易损性评估方法,其特征在于,所述物理量包括脉冲电场峰值、线缆端口耦合电流峰值和线缆端口耦合能量。
6.一种强电磁脉冲效应易损性评估装置,其特征在于,包括:
测量模块,用于向待评估的测试对象输入电磁脉冲,并对输入电磁脉冲的测试对象进行测量,获得影响电磁脉冲效应的物理量;
概率输出模块,用于将所述物理量输入至预先构建的逻辑斯特模型,输出所述测试对象产生电磁脉冲效应的概率;
评估模块,用于根据输出的概率对所述测试对象的电磁脉冲效应进行易损性评估。
7.如权利要求6所述的强电磁脉冲效应易损性评估装置,其特征在于,所述强电磁脉冲效应易损性评估装置还包括:
数据获取模块,用于向测试样本输入不同场强幅值的电磁脉冲,获取所述测试样本在输入不同电磁脉冲时的物理量及相应的效应状态并保存至训练数据集,所述效应状态为产生效应或未产生效应;
最优解求取模块,用于基于支持向量机,采用对偶算法构建凸二次规划问题,并根据所述训练数据集求取所述凸二次规划问题的最优解;
模型构建模块,用于根据求取的最优解确定分离超平面,并根据所述分离超平面构建所述逻辑斯特模型。
8.如权利要求7所述的强电磁脉冲效应易损性评估装置,其特征在于,所述最优解求取模块具体包括:
求解单元,用于选取惩罚参数,根据所述惩罚参数和所述训练数据集对所述凸二次规划问题进行求解;
其中,所述凸二次规划问题为:
0≤αi≤C,xi∈Rn,yi∈{-1,+1},i=1,2,L,N;
其中,xi为物理量,yi为效应状态,C为惩罚参数,αi为拉格朗日乘子,N为向测试样本输入电磁脉冲的个数,R为实数集;
最求解获取单元,用于获得所述凸二次规划问题的最优解
9.如权利要求8所述的强电磁脉冲效应易损性评估装置,其特征在于,所述模型构建模块具体包括:
法向量参数计算单元,用于根据所述凸二次规划问题的最优解和所述训练数据集,计算分离超平面的法向量参数
样本点计算单元,用于对于每一满足的j,计算样本点
截距参数计算单元,用于求取所有样本点b的平均值,作为分离超平面的截距参数b*;
分离超平面获取单元,用于根据分离超平面的法向量参数w*和截距参数b*,获得所述分离超平面w*·x+b*=0;
逻辑斯特模型构建单元,用于根据所述分离超平面w*·x+b*=0,构建所述逻辑斯特模型
10.如权利要求6至9任一项所述的强电磁脉冲效应易损性评估装置,其特征在于,所述物理量包括脉冲电场峰值、线缆端口耦合电流峰值和线缆端口耦合能量。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810521011.2A CN108763742A (zh) | 2018-05-28 | 2018-05-28 | 一种强电磁脉冲效应易损性评估方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810521011.2A CN108763742A (zh) | 2018-05-28 | 2018-05-28 | 一种强电磁脉冲效应易损性评估方法及装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN108763742A true CN108763742A (zh) | 2018-11-06 |
Family
ID=64006588
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810521011.2A Pending CN108763742A (zh) | 2018-05-28 | 2018-05-28 | 一种强电磁脉冲效应易损性评估方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108763742A (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109632456A (zh) * | 2018-12-13 | 2019-04-16 | 西北核技术研究所 | 一种辐照腔中大型效应物内部场强全局增强的装置 |
CN111460619A (zh) * | 2020-03-06 | 2020-07-28 | 中国工程物理研究院应用电子学研究所 | 一种电子***强电磁脉冲环境适应性量化评估方法 |
CN115016031A (zh) * | 2021-05-31 | 2022-09-06 | 西安交通大学 | 一种用水下多物理场复合探测***的探测阵列优化方法 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP1508842A2 (en) * | 2003-08-20 | 2005-02-23 | Rolls-Royce Plc | Condition monitoring of an electrical machine |
CN1952919A (zh) * | 2005-10-18 | 2007-04-25 | 美国日本电气实验室公司 | 考虑全局数据结构的学习机 |
CN104316874A (zh) * | 2014-11-13 | 2015-01-28 | 哈尔滨工业大学 | 电磁继电器抗电磁脉冲干扰测试装置及方法 |
-
2018
- 2018-05-28 CN CN201810521011.2A patent/CN108763742A/zh active Pending
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP1508842A2 (en) * | 2003-08-20 | 2005-02-23 | Rolls-Royce Plc | Condition monitoring of an electrical machine |
CN1952919A (zh) * | 2005-10-18 | 2007-04-25 | 美国日本电气实验室公司 | 考虑全局数据结构的学习机 |
CN104316874A (zh) * | 2014-11-13 | 2015-01-28 | 哈尔滨工业大学 | 电磁继电器抗电磁脉冲干扰测试装置及方法 |
Non-Patent Citations (3)
Title |
---|
李航: "《统计学习方法》", 31 March 2012 * |
金焱 等: "基于贝叶斯网络的某机载雷达电磁损伤评估", 《北京理工大学学报》 * |
金焱 等: "支持向量机回归在电子器件易损性评估中的应用", 《强激光与粒子束》 * |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109632456A (zh) * | 2018-12-13 | 2019-04-16 | 西北核技术研究所 | 一种辐照腔中大型效应物内部场强全局增强的装置 |
CN111460619A (zh) * | 2020-03-06 | 2020-07-28 | 中国工程物理研究院应用电子学研究所 | 一种电子***强电磁脉冲环境适应性量化评估方法 |
CN111460619B (zh) * | 2020-03-06 | 2023-04-28 | 中国工程物理研究院应用电子学研究所 | 一种电子***强电磁脉冲环境适应性量化评估方法 |
CN115016031A (zh) * | 2021-05-31 | 2022-09-06 | 西安交通大学 | 一种用水下多物理场复合探测***的探测阵列优化方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Li et al. | Real-time faulted line localization and PMU placement in power systems through convolutional neural networks | |
Mumford et al. | Bayesian networks for fMRI: a primer | |
CN108732465B (zh) | 一种基于小波变换和cnn的配电网故障定位方法 | |
US10374902B2 (en) | Method for clustering wireless channel MPCs based on a KPD doctrine | |
CN108763742A (zh) | 一种强电磁脉冲效应易损性评估方法及装置 | |
CN114564982B (zh) | 雷达信号调制类型的自动识别方法 | |
CN108960142B (zh) | 基于全局特征损失函数的行人再识别方法 | |
CN113409284B (zh) | 电路板故障检测方法、装置、设备以及存储介质 | |
CN110427878A (zh) | 一种快速射电暴信号识别方法与*** | |
CN109039503A (zh) | 一种频谱感知方法、装置、设备及计算机可读存储介质 | |
CN109300137A (zh) | 一种多曲面估计区间二型模糊聚类磁共振脑图像分割方法 | |
CN110346005B (zh) | 基于深度学习的科里奥利质量流量计数字信号处理方法 | |
CN111476307A (zh) | 一种基于深度领域适应的锂电池表面缺陷检测方法 | |
Deng et al. | A deep learning method based on long short term memory and sliding time window for type recognition and time location of power quality disturbance | |
CN109828168A (zh) | 基于核密度估计的变换器故障诊断方法 | |
CN115471712A (zh) | 一种基于视觉语义约束的生成零样本学习方法 | |
Du et al. | Feature extraction and pattern recognition algorithm of power cable partial discharge signal | |
CN113946920A (zh) | 一种数据不平衡且数据集存在偏差的滚动轴承故障诊断方法 | |
CN114154530A (zh) | 一种心电时序信号房颤检测模型训练方法及装置 | |
CN108507607A (zh) | 一种基于核函数的微弱信号检测方法 | |
CN117171702A (zh) | 一种基于深度学习的多模态电网故障检测方法和*** | |
CN116466408A (zh) | 一种基于航磁数据的人工神经网络超基性岩识别方法 | |
US20230385378A1 (en) | Signal analysis method and system based on model for acquiringand identifying noise panoramic distribution | |
CN110428012A (zh) | 脑网络模型建立方法、脑图像分类方法、装置及电子设备 | |
CN116306258A (zh) | 一种电气设备在强电磁脉冲作用下的易损性评估方法及*** |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
RJ01 | Rejection of invention patent application after publication | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20181106 |