基于核密度估计的实时SVDD算法与电路故障检测应用

针对支持向量数据描述(SVDD)训练大规模样本时计算复杂度太大的问题,利用支持向量的稀疏特性,提出了一种基于核密度估计(KDE)的实时SVDD算法;该算法首先通过KDE方法从原始样本集中选择εk比例的稀疏样本用于SVDD训练;然后用训练得到的支持向量对特征空间中的样本中心进行估计;最后计算原始样本集中所有样本到中心的距离,并对所有距离按降序排列,通过提取εd比例距中心较大的样本作为训练样本集对SVDD进行训练,最终实现了训练样本规模约简;仿真结果表明:算法在保证训练精度的前提下训练复杂度削减为经典算法的1/10以内,满足了SVDD故障检测的实时性要求。

基于故障字典与分支定界的模拟电路测试点优化方法

为提高测试效率、降低测试代价,提出了一种基于故障字典与分支定界相结合的模拟电路测试点优化方法。以模糊集和故障字典为工具,以故障检测、故障隔离为约束,建立了测试点优化的0~1规划数学模型,并用分支定界法求解,最后用经典的测试优化电路对该方法进行仿真验证。仿真结果表明:上述方法在保证故障诊断需求的前提下实现了测试点快速优化,为实施测试提供了指导。