摘 要: 提出了基于支持向量機(SVM)高頻振蕩回路性能的評價方法。以高頻并聯(lián)振蕩電路為實驗研究對象,,通過將由高精密儀器設(shè)備采樣信號分析與基于SVM的性能的評價分析相對比,,證明了此評價方法的可靠性與精確性,。該方法采用徑向基核函數(shù)和合適的ε、C參數(shù),,有效地對高頻振蕩電路的通頻帶等參數(shù)進(jìn)行測定,、分析誤差,是值得推廣與研究的高頻振蕩回路性能評價的一種新方法,。實驗表明,,該方法可推廣到通信網(wǎng)絡(luò)的相關(guān)參數(shù)的評價當(dāng)中。
關(guān)鍵詞: 支持向量機,;高頻并聯(lián)振蕩回路,;通頻帶
高頻振蕩回路是高頻應(yīng)用最廣的無源網(wǎng)絡(luò),是構(gòu)成通信網(wǎng)絡(luò)必不可少的重要組成部分,。同時,,它也是構(gòu)成高頻放大器、振蕩器的主要部件,。在高頻電路中,,振蕩回路完成作為負(fù)載、選擇信號,、變換阻抗等任務(wù)?,F(xiàn)有的高頻振蕩回路可以用相應(yīng)的儀器設(shè)備來測試其頻率、增益等來體現(xiàn)其性能的優(yōu)劣,。但這只是一種近似估計的檢測方法,。如果某一振蕩回路的設(shè)計是應(yīng)用于特殊環(huán)境,對其性能的檢測精確度要求較高,,而如何對其進(jìn)行精確的評價則是當(dāng)前值得探究的一個問題,。基于這一點,,本文提出了基于支持向量基(SVM)的高頻并聯(lián)振蕩回路性能評價方法,。
1 高頻振蕩回路的特性分析
在設(shè)計振蕩電路時,需注意相對于時間,、溫度,、電源電壓的輸出穩(wěn)定度的特性及以正弦波輸出的振蕩波形失真(如果為純粹的正弦波時,失真率為零),。除了上述特性以外,,在高頻率振蕩電路的設(shè)計中,還要考慮到頻率的可變范圍以及振蕩頻率范圍,。
數(shù)據(jù)挖掘源于數(shù)據(jù)庫技術(shù)引發(fā)的海量數(shù)據(jù)和人們利用這些數(shù)據(jù)的愿望,。支持向量機(SVM)[1,2]是一種以有限樣本統(tǒng)計學(xué)習(xí)理論為基礎(chǔ)發(fā)展起來的新的通用學(xué)習(xí)方法,有效地解決了小樣本、高維數(shù),、非線性等傳統(tǒng)的學(xué)習(xí)問題,,大大地提高了學(xué)習(xí)方法的泛化能力。目前支持向量機在其理論研究和算法實現(xiàn)方面都取得了突破性的進(jìn)展,,進(jìn)入了飛速發(fā)展的階段,,并取得了良好的效果。將其應(yīng)用于高頻并聯(lián)振蕩回路性能評價方法的討論中,,提出了基于SVM的評價方法[3-8],。
2 支持向量機
支持向量機是在結(jié)構(gòu)風(fēng)險最小化的基礎(chǔ)上,對兩種不同類別的樣本數(shù)據(jù)找到一個最優(yōu)分類面的最優(yōu)算法,。支持向量機目前有兩類主要的應(yīng)用,,即模式識別和回歸分析。本文討論的是分類識別問題,,它屬于模式識別一類,。不失一般性,分類問題最終都可以歸結(jié)為兩類別的分類問題,。這個問題的目標(biāo)就是從已知樣本中推出一個函數(shù),,對兩類對象進(jìn)行分類。現(xiàn)將下列給定訓(xùn)練集合的訓(xùn)練樣本分離為兩類:
練好的2級支持向量機,,根據(jù)SVM1,、SVM2的輸出結(jié)果進(jìn)行2級分類。只有通頻帶在規(guī)定的范圍之內(nèi)時,,才可通過SVM1進(jìn)入SVM2進(jìn)行最后的性能評價,,給出評價結(jié)果。
4 結(jié)果與分析
本方法采用了通過PSA與ESA分析系統(tǒng)得到的30個通頻帶信息數(shù)據(jù)作為訓(xùn)練集,,經(jīng)過系統(tǒng)訓(xùn)練得到SVM1與SVM2,。然后收集20個歷史數(shù)據(jù)作為測試樣本,其中12個合格(包括8個合格,、4個不合格)和8個不合格。利用訓(xùn)練好的2個SVM對它們進(jìn)行了2級識別,,結(jié)果如下:
通過對于測試結(jié)果的分析,,2個支持向量機可以較優(yōu)地對于高頻并聯(lián)振蕩回路性能進(jìn)行評價檢測。
支持向量機是一種有限樣本條件下的通用學(xué)習(xí)方法,,可以較好地解決小樣本,、高維數(shù)和非線性等實際問題。本文討論了一種基于支持向量機的應(yīng)用于特殊環(huán)境下的高頻并聯(lián)振蕩回路性能優(yōu)良的檢測評價方法,。該方法采用了2個支持向量機進(jìn)行分類識別,,并取得了很好的識別效果。這種基于SVM的振蕩回路性能的識別方法對訓(xùn)練樣本數(shù)的要求較低,實時性能好,,可很好地應(yīng)用于通信中的部分單元電路功能檢測與評價,,為通信品質(zhì)提供了良好的保障,具有非常好的應(yīng)用前景,。本文還有待于深入研究,,例如SVM核函數(shù)的選擇以及最優(yōu)算法等問題。
參考文獻(xiàn)
[1] CRISTIANINI N, TAYLOR J S.支持向量機導(dǎo)論[M].李國正,,王猛,,曾華軍,譯.北京:電子工業(yè)出版社.2004.
[2] 鄧乃揚,,田英杰.數(shù)據(jù)挖掘中的新方法——支持向量機[M].北京:科學(xué)出版社.2004.
[3] SOMPOLINSKY H,,DIETRICH R,OPPER M.Support vectors and statistical mechanics[M].in Advances in Large Margin Classifiers, B.Scholkopf D.Schurmans A.J.Smola, P.L. Bartlett, ED.,MIT Press, Cambridge, MA, 2000:359-367.
[4] Jia Licheng,Zhang Li,,Zhou Weida.Wavelet support vector machine[J].IEEE Trans. On Systems, Man, and Cybernatics, Part B, 2004,,34(1):34-39.
[5] FOODY G M,MATHUR A.A relative evaluation of multiclass image classification by support vector machines.IEEE Trans. Geoscience and Remote Sensing, 2004(42):1335-1343.
[6] XU P,,CHAN A. K.Support vector machines for multiclass signal classification with unbalanced samples[C].Proc. Int. Joint Con. on Neural Networks, Portland, OR, 2003:1116-1119.
[7] SCHLKOPF B, SMOLA A. A tutorial on support vecdor regression[R]. Neuro COL T2 Technical Report Series NC2-TR-1998-030, 1998.
[8] MICHIE D, SPIEGELHALTER D. J,,TAYLOR C. C. Machine learning,neural and statistical classification[EB/OL]. 1994. ftp:ftp.ncc.up.pt/pub/statlog/.