设为首页 加入收藏 期刊导航 网站地图
  • 首页
  • 期刊
    • 数学与物理
    • 地球与环境
    • 信息通讯
    • 经济与管理
    • 生命科学
    • 工程技术
    • 医药卫生
    • 人文社科
    • 化学与材料
  • 会议
  • 合作
  • 新闻
  • 我们
  • 招聘
  • 千人智库
  • 我要投搞
  • 办刊

期刊菜单

  • ●领域
  • ●编委
  • ●投稿须知
  • ●最新文章
  • ●检索
  • ●投稿

文章导航

  • ●Abstract
  • ●Full-Text PDF
  • ●Full-Text HTML
  • ●Full-Text ePUB
  • ●Linked References
  • ●How to Cite this Article
Computer Science and Application计算机科学与应用, 2011, 1, 20-23
http://dx.doi.org/10.12677/csa.2011.11005 Published Online June 2011 (http://www.hanspub.org/journal/csa/)
Copyright © 2011 Hanspub CSA
The Pre-diagnosis Technology Research on SVM-Based
Radar Fault
Yusong Wang
PLA of 91763, Qinhuangdao
Email: yunflyer@163. com
Received: Apr. 27th, 2011; revised: May 9th, 2011; accepted: May 19th, 2011.
Abstract: This paper brings Support Vector Machine (SVM) to the pre-diagnosis of radar fault, implement-
ing the advance diagnosis of the latent radar fault. To solve the problems best, such as the process of radar
fa u lt d i ag no s is c o mp le x it y a n d l on g- t ime d ia g no s i s. This is du e to SVM can so lve the s mall sa mple, n onlinear
classification problem, which are the characteristics of the laten t radar fault. Finally, the paper through exam-
ples fully illustrates that the algorithm has the capacity of excluding the radar latent fault.
Keywords: SVM; Radar Fault; Pre-diagnosis
基于 SVM 的雷达故障预诊断技术研究
王玉松
海军 91763 部队,秦皇岛
Email: yunflyer@163. com
收稿日期:2011 年4月27日;修回日期:2011 年5月9日;录用日期:2011 年5月19 日
摘 要:本文将支持向量机(SVM)引入雷达故障预诊断 ,实现了雷达进入潜 伏性故障时就 提前诊断。很
好地解决雷达故障诊断流程复杂、诊断时间长等问题。这是由于 SVM 可以 很好地解决小样本、 非线性
分类问题,而这正是潜伏性雷达故障的特点。本文最后通过实例 充分说明了该算法 在排除雷达潜伏性故
障方面的能力。
关键词:SVM;雷达故障;预诊断
1. 引言
随着新军事变革和军队信息化的发展,各种新体
制雷达不断出现,其结构复杂、功能强大、数字化程
度越来越高。这在大大增强我军信息化力量的同时,
也带来了问题:雷达故障诊断流程复杂、诊断时间长、
维修困难、维修费用高;更迫切的一点是如何提高雷
达在战争或演练中的可靠性[1]。本文探讨一种基于支
持向量机(support vector machine)的雷达故障预诊断
技术,其基于结构风险最小化原理,很好地解决雷达
故障小样本、非线性的分类和回归问题[2],最后通过
实例说明该技术对于潜伏性故障的诊断能力。
2. 雷达故障预诊断流程
本文将雷达故障预诊断分为系统状态预测和故障
预处理两部分,其工作流程如图 1示,当系统状态特
征参数数值超过设定阈值,则进入故障预诊断工作状
态[3]。
由于雷达故障特征参数的样本数据是在发现系统
处于潜伏性异常工作状态时才开始采集,因而获取的
训练数据多数为有限的小样本数据[4]。此外,又因为
特征参数数据通常处于非线性的变化状态,为此本文
王玉松 基于的雷达故障预诊断技术研究21
| SVM
Figure 1. Pretreatment processes Radar Fault
图1. 雷达故障预处理工作流程
提出基于 SVM的雷达故障特征参数的状态预测。
3. SVM回归算法
3.1. SVM回归算法原理
SVM 回归算法的思想是将原始数据 X非线性映
射到高维特征空间,并在此特征空间解决线性回归问
题[5]。因而,给定一组数据集:





11 11
,,,,,,,
ii
TxyxyxyXY


 
其中 n
i
X
YR
是输入矢量,是 相应输出
值,l为训练样本总数,SVM 回归函数[6]:

i
YYR
 
f
xx

 


wb (1)
其中

x

为非线性映射函数,w为权重矢量,b
为偏差。w和b通过最小化下列泛函进行估计:



2
1
1,
2
l
ii
i
RCLyf




ww

x (2)
其中 C是惩罚参数,用于实现经验风险与模型平
滑性的折衷。
2
2
w为正则项。 为不敏感
损失函数,被定义为:


,
ii
Lyfx




 

,
, 0,
ii ii
ii
ii
yfx yfx
Lyfx
yfx











(3)
在公式(3)中,当预测值的误差在 ε内,损失等于
0,否则损失等于超出ε部分。
为了度量 ε不敏感带外的训练样本偏离程度,引
入非负松弛变量ξ和ξ*。SVM优化的目标函数为:
 
2
1
1
min, ,**
2
l
i
wwC







(4)
s.t.


,0
*, *0
ii
iii
ywxb
wxby


i





 


将式(4)最优化问题转化为对偶问题:
Copyright © 2011 Hanspub CSA
王玉松 基于的雷达故障预诊断技术研究
22 | SVM



 
11
11
max, *
1**,
2
**
ll
ij
ij
ll
i
ii
H
K
xx
y








(5)
s.t. ,

*
10
l
ii
i 



*
,0,
ii C
其中 为Lagrangian 乘子, 对应
的数据点为支持向量。通过
*
,
ii


*0 
i

和 计算,获取回归超
平面的优化权重矢量,即:
*
i



1*,
l
i
i

K
xx



*w (6)
回归函数为:



*
1,
l
ii i
i
f
xKxx

 
b (7)
由以上推理可知通过回归函数s
y



*
1,
nm
ii is
i
K
xx b

 
,1, 2,,
s
nm ,求得
和b,从而获得 SVM预测模型。即对 SVM 进
行回归训练。
*
,
ii

3.2. 算法实现
故障特征参数的状态趋势预测是一个时序预测问
题,其最终目的是利用从历史数据中获取的训练样本,
以寻求一个具有良好推广能力的预测模型。基于 SVM
的故障特征参数的状态预测步骤主要包括:(1)数据预
处理;
(2)构建训练集样本;(3)利用训练的SVM 进行预
测。其中的关键是进行 SVM 样本训练,它直接关系到
对雷达故障预诊断的效果。其流程图如图 2示。
通过式



*
1
1
ˆ,
nm
nmiii nm
i
yKxx

 



nm
a
1
b对
第n+1 点进行预测,输入矢量 1
{,



n-m+1
x
2,,}
nm n
a
  a,得到第 n + 1点的预测值


11
ˆn
ˆnm
ya

1
ˆn
a

23 1
ˆ
,,,
nm nmn
aa a
 
 
n-m+2
,
以第 n+1 点的预测值 为属性,构建下一个预测点
的输入矢量 ,从而获得
第n + 2点的预测值
x


22
ˆˆ
nm n
ya
 
,以此类推,直到
完成所需预测点的数目。利用MAPE 评价预测精度。
1
ˆ
1
MAPE 100%
Nkk
kk
yy
Ny




式中, 和分别为实际和预测值,N为预测点的数
目。
k
yˆk
y
初始化
训练 SVM模型
SVM 参数编码
评估
获得 SVM参数
获得 SVM模型
满
足结
束条件
是
否
Figure 2. SVM algorithm flow chart
图2. SVM算法实现流程图
4. 雷达故障预
以某型雷达频率综合器电路为例,首先建立故障
和使用过程中的经验,
通过
5 –4
时的实测样例,利用本文提出的快速预诊断方
法达
Ta ble 1. daries of the four characteristics
sis
表1. 对四种容差的边界特征的诊断结果
诊断实例
状态样本表。根据电路工作原理
对电路进行仿真,分析各种故障现象和故障类型,
选择 10个故障组成故障集。输入为电路板中 8个关键
测试点的波形参数(频率 F和幅度V)。对该电路在元
器件容差范围为3%、6% 、9%、12%、15%时做 20
次仿真分析,得到各关键测试点波形频率和幅度在四
种容差条件下的容差边界值,经归一化处理得到各故
障状态的测试样本。表1为在惩罚因子 C和和非负松
弛变量 ξ分别取2和2情况下对测试样本的诊断结
果。
表2为某雷达的频率综合器在实际工作过程中出
现异常
到了 100%的诊断正确率。
The boun
of tolerance diagno
容差范围 3%6% 9% 12% 15%
诊%
断正确率 99%95% 87% 82% 60
Copyright © 2011 Hanspub CSA
王玉松 | 基于 SVM 的雷达故障预诊断技术研究
Copyright © 2011 Hanspub CSA
23
able four characteristics of tolerance diagnosis
2. 综合器故障预诊断实测样例
Te 2. The boundaries of th
某雷达频率表
输入数据
A1 A2 A7 A8 A3 A4 A5 A6
样
F1 V1 F2 V2 F3 V3 F4 VV5F6 V6F7 V7 F8 V8
本 4F5
1 3.07.05 3.0705 3.07.053.0763.07053.0753.0707 44. 422.4.4.04.05 3.4.05
2 0.00 0.00 0.000.00 0.00 0.000.000.003.504.053.074.053.074.05 3.07 4.05
3 3.10 4.12 0.030.05 0.03 0.050.030.053.104.123.104.123.104.12 3.10 4.12
4 3.07 4.05 3.074.05 0.10 0.200.003.073.074.053.074.053.074.05 3.10 4.12
5 3.05 4.00 3.104.05 3.07 4.050.000.003.054.003.074.053.074.05 3.07 4.05
5. 总结
了雷
e s)
[1] 虞和济, 陈长征, 张省等. 基于神经网络的智能诊断[M]. 北
[2] 时文刚, 遗传算法的故障诊断规则提
基于遗传神经网络的故障智能
的应用研究
理工
达板级电路快速故障
本文探讨一种雷达故障预诊断技术,很好地解决
雷达故障诊断流程复杂、诊断时间长问题,并且实现
达进入潜伏性故障时就提前诊断。将 SVM 引入
雷达故障预诊断,是由于 SVM 是在小样本学习理论
和结构风险最小化理论基础上发展起来的,具有很强
的自学习能力。本文最后通过雷达故障预诊断实例充
分说明了该算法在保障雷达正常工作,排除装备潜伏
性故障方面,有很好的推广价值。当然,该算法还有
需要改进的地方,若通过遗传算法对SVM 参数进行
优化,雷达故障预诊断效果或许会更好。
参考文献 (Refernce
京: 冶金工业出版社, 2006.
戴静君, 杜华军. 基于
取方法的研究[J]. 航天控制, 2005, 23(5): 79-82.
[3] 傅连东, 付曙光, 曾良才等.
诊断方法及其应用研究[J]. 液压与气动, 2007(4): 65-67.
[4] 张金泽, 单甘霖. 改进的算法及其在故障诊断中
[J]. 电光与控制, 2006, 13(6): 97-100.
[5] 费胜巍. 复杂装备诊断维护系统关键技术研究[D]. 南京
大学, 2007.
[6] 张金泽, 段修生. 支持向量机技术的雷
诊断[J]. 火力与指挥控制, 2008, 33(2): 86-90.

版权所有:汉斯出版社 (Hans Publishers) Copyright © 2012 Hans Publishers Inc. All rights reserved.