摘 要： 針對(duì)雷達(dá)電路板檢修困難的問(wèn)題，提出了基于最優(yōu)小波包基和最小二乘支持向量機(jī)相結(jié)合的雷達(dá)電路板故障診斷方法。利用小波變換對(duì)采樣數(shù)據(jù)進(jìn)行去噪處理，通過(guò)小波包分解選擇最優(yōu)小波包基提取熵值作為故障特征向量,并作為基于最小二乘支持向量機(jī)的雷達(dá)故障診斷模型的輸入向量,經(jīng)診斷模型輸出后,完成雷達(dá)電路板故障診斷?；诖朔椒ㄔO(shè)計(jì)了雷達(dá)電路板故障診斷系統(tǒng)，提高了雷達(dá)故障診斷的正確性和效率。
關(guān)鍵詞： 最優(yōu)小波包； 最小二乘支持向量機(jī)； 熵； 故障診斷

隨著高新技術(shù)廣泛用于軍用雷達(dá)，使得雷達(dá)系統(tǒng)變得越來(lái)越復(fù)雜，但操作更加簡(jiǎn)單和智能化?，F(xiàn)代戰(zhàn)爭(zhēng)中，雷達(dá)的作用也越來(lái)越重要，戰(zhàn)場(chǎng)不僅要求雷達(dá)具有全天候的作戰(zhàn)能力、優(yōu)越的性能指標(biāo)、極高的自動(dòng)化程度及高可靠性，更重要的是要求雷達(dá)維修保障人員能夠進(jìn)行戰(zhàn)場(chǎng)快速搶修，確保雷達(dá)裝備的完好率。因此，對(duì)于雷達(dá)裝備的智能化維修保障也提出了更高的要求。人工神經(jīng)網(wǎng)絡(luò)[1]存在訓(xùn)練樣本大、隱層節(jié)點(diǎn)數(shù)目選取等問(wèn)題；專家系統(tǒng)[2]由于依賴于雷達(dá)專家知識(shí)，運(yùn)用某種規(guī)則進(jìn)行推理，因此在自適應(yīng)能力和學(xué)習(xí)能力方面存在局限性。本文針對(duì)當(dāng)前基層部隊(duì)無(wú)法對(duì)電路板進(jìn)行維修的現(xiàn)狀及難點(diǎn)，提出了基于小波去噪及小波包變換與最小二乘支持向量機(jī)相結(jié)合的雷達(dá)故障診斷方法，并基于此設(shè)計(jì)了某型雷達(dá)電路板故障診斷系統(tǒng)，旨在提高部隊(duì)基層雷達(dá)裝備自我維修保障能力，確保戰(zhàn)時(shí)能夠?qū)崿F(xiàn)戰(zhàn)場(chǎng)的快速搶修。應(yīng)用結(jié)果表明，該方法提高了雷達(dá)故障診斷的有效性和優(yōu)越性。
支持向量機(jī)[3]SVM（Support Vector Machine）是在統(tǒng)計(jì)學(xué)習(xí)理論SLT（Statistical Learning Theory）的基礎(chǔ)上發(fā)展起來(lái)的十分有效的分類方法，它基于最小的結(jié)構(gòu)風(fēng)險(xiǎn)，解決了學(xué)習(xí)機(jī)的學(xué)習(xí)能力和泛化能力之間的矛盾。支持向量機(jī)通過(guò)核函數(shù)把原始數(shù)據(jù)空間映射到高維的特征空間，在特征空間最大化分類間隔構(gòu)造最優(yōu)分類超平面，其中分類面只需要少量的支持向量。SVM克服了神經(jīng)網(wǎng)絡(luò)的不足，在解決小樣本、非線性及高維模式識(shí)別問(wèn)題中表現(xiàn)出結(jié)構(gòu)簡(jiǎn)單、全局最優(yōu)、泛化能力強(qiáng)等許多特有的優(yōu)勢(shì)。最小二乘支持向量機(jī)[4，5]LS-SVM（Least Squares Support Vector Machine）是SVM的擴(kuò)展，采用最小二乘線性系統(tǒng)代替SVM用二次規(guī)劃的方法實(shí)現(xiàn)學(xué)習(xí)問(wèn)題，避免了SVM的凸二次規(guī)劃問(wèn)題的求解。


2.2 模型算法
LS-SVM是在SVM的基礎(chǔ)上進(jìn)行改進(jìn)而提出的，它用二次損失函數(shù)取代了SVM中的不敏感一次損失函數(shù)，將二次尋優(yōu)變?yōu)閷?duì)線性方程組的求解，簡(jiǎn)化了計(jì)算復(fù)雜性，并且約束條件由不等式改為等式[9],優(yōu)化問(wèn)題成為：

2.3 實(shí)施步驟
在LS-SVM算法中，規(guī)則化參數(shù)γ和RBF核函數(shù)的標(biāo)準(zhǔn)化參數(shù)δ通常根據(jù)經(jīng)驗(yàn)選取一個(gè)具體的值，但δ取值不同，結(jié)果變化較大。因此，在應(yīng)用中要進(jìn)行效果比較，動(dòng)態(tài)選取。具體步驟為：
(1)訓(xùn)練數(shù)據(jù)導(dǎo)入。LS-SVM方法和神經(jīng)網(wǎng)絡(luò)一樣，需要訓(xùn)練樣本和測(cè)試樣本。
(2)數(shù)據(jù)處理與特征提取。對(duì)樣本數(shù)據(jù)進(jìn)行處理可以提高訓(xùn)練速度，特征提取是指當(dāng)樣本空間維數(shù)較高時(shí)，通過(guò)映射或變換的方法，將數(shù)據(jù)樣本變?yōu)榈途S空間數(shù)據(jù)，以達(dá)到降維的目的。
(3)樣本訓(xùn)練。在對(duì)樣本進(jìn)行訓(xùn)練之前，需要確定LS-SVM模型的兩個(gè)重要參數(shù)，即懲罰參數(shù)γ（gam）和徑向基核參數(shù)δ（sig2）。本文采用交叉驗(yàn)證法(網(wǎng)格法搜索)，在工具箱中，使用 tunelssvm函數(shù)，其中包含了網(wǎng)格搜索，對(duì)gam、sig2進(jìn)行優(yōu)化選擇。
(4)采用測(cè)試樣本進(jìn)行測(cè)試。需要使用函數(shù)simlssvm，類似于神經(jīng)網(wǎng)絡(luò)中的sim函數(shù)。
3 故障診斷系統(tǒng)設(shè)計(jì)
3.1 系統(tǒng)簡(jiǎn)介
　系統(tǒng)以Windows為平臺(tái)，采用Visual Studio 2008為開發(fā)工具，以SQL2005為后臺(tái)數(shù)據(jù)庫(kù)生成軟件系統(tǒng)。故障檢測(cè)定位模塊采用Matlab編寫，系統(tǒng)采用混合編程方法，輸入數(shù)據(jù)即可完成實(shí)時(shí)在線故障診斷。該系統(tǒng)具有電路板故障檢測(cè)定位、電路板信號(hào)查詢和數(shù)據(jù)庫(kù)管理等功能。系統(tǒng)的結(jié)構(gòu)如圖3所示。

3.2 功能簡(jiǎn)介