張志強(qiáng), 張愛(ài)華

(渤海大學(xué) 工學(xué)院,遼寧 錦州 121000)

電子線路性能檢測(cè)的支持向量機(jī)方法

張志強(qiáng), 張愛(ài)華

(渤海大學(xué) 工學(xué)院,遼寧 錦州 121000)

針對(duì)現(xiàn)有電子線路性能檢測(cè)方法存在的成本過(guò)高、不便攜等問(wèn)題,提出了一種電子線路性能檢測(cè)的支持向量機(jī)方法。運(yùn)用支持向量機(jī)的基本分類機(jī)制,以模擬電子技術(shù)實(shí)驗(yàn)為依托,采用近一年內(nèi)由精密儀器設(shè)備測(cè)評(píng)所得的測(cè)量電路的六項(xiàng)指標(biāo)構(gòu)建訓(xùn)練集,進(jìn)行支持向量分類性能檢測(cè)。實(shí)驗(yàn)表明,該方法具有較優(yōu)的檢測(cè)精度、較好的便攜性和較低的檢測(cè)成本。

支持向量機(jī);測(cè)量電路;特征選擇;性能檢測(cè)

電子線路是電子產(chǎn)品中必不可少的重要組成部分,其性能的優(yōu)劣決定著電子產(chǎn)品最終的性能。目前,我國(guó)電子線路性能檢測(cè)方法存在較多問(wèn)題。我國(guó)廠商為減少相關(guān)成本的投入,多采用人工完成電子線路的性能檢測(cè),而不愿采用價(jià)格較昂貴的儀器設(shè)備。人工性能檢測(cè)受個(gè)人經(jīng)驗(yàn)限制,可靠性差。因此,為合理、準(zhǔn)確地檢測(cè)電子線路的性能,且不增加產(chǎn)品資本投入,機(jī)器自動(dòng)檢測(cè)被引入電子線路性能檢測(cè)中。

支持向量機(jī) (Support VectorMachine)[1-2]是由統(tǒng)計(jì)學(xué)習(xí)理論發(fā)展起來(lái)的。它以最大化分類間隔構(gòu)造最優(yōu)分類超平面來(lái)提高分類器的泛化能力,較優(yōu)地解決了非線性、高維數(shù)和局部極小點(diǎn)等問(wèn)題。并通過(guò)學(xué)習(xí)算法 SVM可以自動(dòng)找出那些對(duì)分類具有較好區(qū)分能力的支持向量,對(duì)支持向量的分類等價(jià)于對(duì)所有訓(xùn)練樣本的分類。鑒于此,筆者將支持向量機(jī)的基本分類機(jī)制應(yīng)用于電子線路的性能檢測(cè)評(píng)價(jià)中,期望獲得較優(yōu)的評(píng)價(jià)結(jié)果。

1 技術(shù)指標(biāo)

以具有高共模抑制能力的測(cè)量電路為例,其主要技術(shù)指標(biāo)有交直流差模增益、交直流共模增益、最大輸出幅度、非線性失真系數(shù)、輸入與輸出電阻及最大輸出功率等。除此之外,針對(duì)不同的使用場(chǎng)合,還有可能提出如電源的容量、抗干擾能力、信號(hào)噪聲比、重量、體積以及工作溫度等一些指標(biāo)的要求。其中,共模抑制比大小體現(xiàn)了電子線路對(duì)干擾信號(hào)的抑制能力,差模增益的大小給出了放大器對(duì)輸入信號(hào)進(jìn)行不失真放大的能力。當(dāng)電子線路的靜態(tài)工作狀態(tài)確定后,尤以交流共模增益、交流差模增益兩技術(shù)指標(biāo)為重。

2 支持向量機(jī)

2.1 簡(jiǎn)介

支持向量機(jī)的研究最初是針對(duì)模式識(shí)別中的兩類線性可分問(wèn)題,但其不能解決非線性空間的問(wèn)題?；诖?支持向量機(jī)引入了核空間理論。將低維的輸入空間數(shù)據(jù)通過(guò)非線性映射函數(shù)映射到高維屬性空間,將分類問(wèn)題轉(zhuǎn)化到屬性空間進(jìn)行。可以證明,如果選用適當(dāng)?shù)挠成浜瘮?shù),輸入空間線性不可分問(wèn)題在屬性空間將轉(zhuǎn)化為線性可分問(wèn)題。這種非線性映射函數(shù)被稱為核函數(shù)。從理論上講,滿足Mercer條件的對(duì)稱函數(shù)K(x,x′)都可以作為核函數(shù)、多層感知器核函數(shù)和RBF核函數(shù)。

2.2 非線性分類算法

目前支持向量機(jī)算法主要有分類和估計(jì)算法等,文中討論非線性分類算法。

設(shè)訓(xùn)練樣本為m維向量,p個(gè)樣本及其值表示為((x1,y1),…,(xp,yp))∈Rm×{+1,-1}。

首先用一非線性映射φ(·)把數(shù)據(jù)從原空間Rm映射到特征高維空間

在這個(gè)高維特征空間中構(gòu)造超平面y(x)=sgn[ω· φ(x)+b]。這樣非線性分類轉(zhuǎn)化為高維特征空間中的線性分類,也就滿足條件:

則,最小化‖ω‖的問(wèn)題即優(yōu)化問(wèn)題為:

支持向量機(jī)并不直接求解高維特征空間的點(diǎn)積φ(xi)·φ(xj),而是用原空間的核函數(shù)K(xi,yj)代替它,核函數(shù)K(xi,yj)是滿足 Mercer條件的對(duì)稱函數(shù)。

所以優(yōu)化問(wèn)題轉(zhuǎn)化為,在約束條件下,最大化函數(shù)

該優(yōu)化問(wèn)題可轉(zhuǎn)化為ai為變量的標(biāo)準(zhǔn)形式的二次優(yōu)化問(wèn)題求解。

式中:C——對(duì)線性不可分樣本的分類錯(cuò)誤懲罰因子;

α——每個(gè)約束條件對(duì)應(yīng)的拉格郎日乘子。

根據(jù) KT條件,超平面為

式中:V——支持向量集。最后分類器為

3 性能檢測(cè)

3.1 系統(tǒng)構(gòu)成

電子線路性能檢測(cè)系統(tǒng)主要由電子線路、實(shí)驗(yàn)儀器(數(shù)字存儲(chǔ)示波器)、數(shù)據(jù)傳輸與接收系統(tǒng)、計(jì)算機(jī)系統(tǒng)及相關(guān)的應(yīng)用軟件構(gòu)成,如圖 1所示。通過(guò)實(shí)驗(yàn)儀器設(shè)備的檢測(cè)及測(cè)量,將由在數(shù)字存儲(chǔ)示波器中測(cè)試出的該電子線路的輸出信號(hào)數(shù)據(jù)傳輸?shù)接?jì)算機(jī)中,由軟件進(jìn)行處理得到相關(guān)參數(shù)值,并對(duì)該電子線路做出相應(yīng)的性能檢測(cè)分析。

圖1 電子線路性能檢測(cè)系統(tǒng)結(jié)構(gòu)Fig.1 Electronic circuit performance test ing system structure

3.2 數(shù)據(jù)采集

實(shí)驗(yàn)以高校模擬電子技術(shù)基礎(chǔ)實(shí)驗(yàn)為依托,采用具有高共模抑制能力的測(cè)量電路為測(cè)試評(píng)價(jià)對(duì)象,該放大器由兩個(gè)減法器構(gòu)成,其電路構(gòu)成如圖2所示。

圖2 高共模抑制能力的測(cè)量電路Fig.2 High common-mode rejection measur ing circuit

通過(guò)電路的參數(shù)分析得出該電路的差模增益為 2。ADC參考電壓設(shè)置輸出共模水平。電路中的每個(gè)減法器都滿足高共模電壓。這些減法器設(shè)置為其正輸入連接到另一減法器的負(fù)輸入,反之亦然。參考引腳相連,接到ADC參考引腳上。隨著輸入信號(hào)的增加,輸出 OUTP增加,而另一輸出OUTN減小。這兩個(gè)輸出均以 ADC參考設(shè)置的共模為中心。根據(jù)計(jì)算所得的共模增益及差模增益確定所需的訓(xùn)練集,據(jù)此,定義每個(gè)樣本點(diǎn)對(duì)應(yīng)一個(gè)(x,y),得到標(biāo)準(zhǔn)訓(xùn)練集:T={(x1,y1),(x2, y2),…,(x100,y100)}。

3.3 SVM實(shí)現(xiàn)

基于 SVM的具有高共模抑制能力的測(cè)量電路性能檢測(cè)方法為:由檢測(cè)者分別對(duì)被測(cè)電路加入共模信號(hào)與差模信號(hào),通過(guò)示波器等設(shè)備采集一定數(shù)量,但不同類別的訓(xùn)練集,確定用于檢測(cè)的各項(xiàng)參數(shù),由訓(xùn)練集確定分類超平面,利用分類超平面進(jìn)行性能檢測(cè)。

文中選用徑向基核函數(shù)[3-6]來(lái)檢測(cè)具有高共模抑制能力的測(cè)量電路的性能。在標(biāo)準(zhǔn)樣本點(diǎn)確定以后,即確定了差模增益、共模增益等指標(biāo),由輸出yi∈{-ε,ε},表示是否符合性能評(píng)價(jià)標(biāo)準(zhǔn)。同時(shí)確定模型參數(shù),徑向基核函數(shù)的寬度σ、誤差精度ε、正則化系數(shù)(懲罰因子)C。根據(jù)訓(xùn)練數(shù)據(jù)對(duì)支持向量機(jī)進(jìn)行分別訓(xùn)練,定義在區(qū)間[100,10 000]上的核函數(shù)為

在 SVR模型中,采用交叉驗(yàn)證方法確定σ、ε、C,取C=2 000,ε=0.000 1。RBF網(wǎng)絡(luò)是一種特殊的三層前向網(wǎng)絡(luò),輸入到隱單元的權(quán)值固定為 1,只有隱單元到輸出單元間的權(quán)值為可調(diào),隱單元的作用函數(shù)采用徑向基函數(shù)。

4 實(shí)驗(yàn)與結(jié)果分析

高共模抑制能力的測(cè)量電路輸出曲線的生成是通過(guò)數(shù)字存儲(chǔ)示波器實(shí)現(xiàn)。該數(shù)字存儲(chǔ)示波器可通過(guò)數(shù)據(jù)傳輸與計(jì)算機(jī)直接相連,將所測(cè)得的放大器輸出特性曲線實(shí)現(xiàn)實(shí)時(shí)傳遞,完成信息的傳遞與存儲(chǔ)。通過(guò)數(shù)字存儲(chǔ)示波器及相關(guān)信號(hào)源設(shè)備測(cè)試一個(gè)實(shí)際的具有高共模抑制能力的測(cè)量電路,得到其輸出特性曲線。確定樣本的參數(shù)指標(biāo)為共模增益AC與差模增益Ad。具有高共模抑制能力測(cè)量電路輸出曲線見(jiàn)圖3。

圖 3 具有高共模抑制能力測(cè)量電路輸出曲線Fig.3 Output curves of high common-mode rejection measur ing circuit

圖 3a為電路在 5 V單電源工作時(shí)的性能。上部為 1 kHz,峰峰值為 2 V的輸入信號(hào)uid。底部為兩個(gè)反相輸出信號(hào)uod,產(chǎn)生以 2.5 V為參考的峰峰值為 4 V的信號(hào)。圖 3b表示系統(tǒng)抑制1 kHz、峰峰值為 60 V的信號(hào)的能力。圖 3c為對(duì)更大的共模信號(hào),可以采用更大的電源,如 ±15 V。從圖 3c可看出該電路可以抑制輸入為 400 V峰峰信號(hào)uic,殘差小于uoc所示的 10 mV峰峰值。通過(guò)以上實(shí)驗(yàn)確定了標(biāo)準(zhǔn)樣本及被檢測(cè)樣本各 60個(gè),部分?jǐn)?shù)據(jù)見(jiàn)表 1和 2。

表1 部分標(biāo)準(zhǔn)樣本Table 1 Part standard smaples

表2 部分檢測(cè)樣本Table 2 Part testing samples

由表 1提供的訓(xùn)練樣本集,選擇徑向基核函數(shù)進(jìn)行訓(xùn)練,獲得圖 4所示的分類標(biāo)準(zhǔn)。圖 4縱坐標(biāo)為共模信號(hào)、差模信號(hào)的幅值,“＊”和“+”分別表示性能好與性能差兩類,帶圓圈的樣本點(diǎn)為支持向量,帶三角形的樣本點(diǎn)為錯(cuò)分樣本。

圖4 基于SVM的電子線路性能檢測(cè)Fig.4 Electron ic circuit performance testing based on SVM

由訓(xùn)練所采用的徑向基核函數(shù),確定的性能檢測(cè)標(biāo)準(zhǔn)及實(shí)驗(yàn)中所產(chǎn)生的分類標(biāo)準(zhǔn)可以看出,電子線路性能檢測(cè)的支持向量機(jī)方法所運(yùn)用的分類機(jī)制準(zhǔn)確性較好,錯(cuò)分的情況近乎為零,同時(shí)該方法可以有效剔除錯(cuò)值,避免錯(cuò)值對(duì)檢測(cè)結(jié)果的影響。與傳統(tǒng)檢測(cè)方法利用精密儀器組合進(jìn)行的性能檢測(cè)結(jié)果一致。

5 結(jié)束語(yǔ)

基于 SVM的電子線路性能檢測(cè)方法,開(kāi)發(fā)成本低,評(píng)價(jià)精確度高,實(shí)時(shí)性能好,可很好地應(yīng)用于電子產(chǎn)品生產(chǎn)線合格率的檢測(cè)和統(tǒng)計(jì),為產(chǎn)品打入市場(chǎng)提供了良好的保障。該評(píng)價(jià)方法具有較好的開(kāi)發(fā)前景。

[1] CR IST IAN I N IN,SHAWE-TAYLOR J.支持向量機(jī)導(dǎo)論[M].李國(guó)正,王 猛,曾華軍,譯.北京:電子工業(yè)出版社,2004.

[2] 鄧乃揚(yáng),田英杰.數(shù)據(jù)挖掘中的新方法——支持向量機(jī)[M].北京:科學(xué)出版社,2004.

[3] 王 泳,胡包鋼.應(yīng)用統(tǒng)計(jì)方法綜合評(píng)估核函數(shù)分類能力的研究[J].計(jì)算機(jī)學(xué)報(bào),2008,31(6):942-952.

[4] BEN-ISRAEL A,LEV IN Y.The geometry of linear separability in data sets[J].Linear Algebra and Its Applications,2006,416 (1):75-87.

[5] SONG XM,FAN GL,RAO M.SVM-based data editing for enhanced one-class classfication of remotely sensed imagery[J]. IEEE Geoscience and Remote Sensing Letters,2008,5(2): 189-193.

[6] BOVOLO F,BRUZZONEL,MARCONC IN IM.A novel approach to unsupervised change detection based on a semisupervised SVM and a similarity measure[J]. IEEE Transactions on Geoscience and Remote Sensing,2008,46(7):2 070-2 082.

[7] 李萬(wàn)慶,安 娟.基于RS-SVM的建筑施工項(xiàng)目安全預(yù)警模型[J].河北工程大學(xué)學(xué)報(bào):自然科學(xué)版,2010,27(4): 30-35.

[8] 范玉妹,郭春靜.支持向量機(jī)算法的研究及其實(shí)現(xiàn)[J].河北工程大學(xué)學(xué)報(bào):自然科學(xué)版,2010,27(4):106-112.

Method of electronic circuit perfor mance detection on support vectormachine

ZHANG Zhiqiang,ZHANG Aihua
(College of Engineering,BohaiUniversity,Jinzhou 121000,China)

This paper seeks an alternative to the currently-used method which suffers from a higher cost and poorer portability occurring in electronic circuit performance detection,by proposing a method tailored to electronic circuit performance detection on support vector machine(SVM).The study consists of applying the basic classification mechanism of support vector machine,drawing on the college-based analog electronic technology experiments,developing the training set based on circuit-detecting six indexes derived from the precise instrument evaluation in the past year,and perform ing evaluation based on support vector machine classification(SVMC).Experiment shows that the method features a better detection precision,a much lower detection cost,and a better portability than conventional one.

SVM;measure circuit;feature selection;performance detection

TP183

A

1671-0118(2011)02-0128-05

2011-01-07

遼寧省教育廳科學(xué)技術(shù)研究項(xiàng)目(2009A045)

張志強(qiáng)(1978-),男,遼寧省錦州人,實(shí)驗(yàn)師,碩士,研究方向:機(jī)器學(xué)習(xí)、模式識(shí)別等,E-mail:jsxinxi-zzq@163.com。

(編輯王 冬)