摘 要： 針對雷達電路板檢修困難的問題，提出了基于最優(yōu)小波包基和最小二乘支持向量機相結合的雷達電路板故障診斷方法。利用小波變換對采樣數據進行去噪處理，通過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的雷達故障診斷模型的輸入向量,經診斷模型輸出后,完成雷達電路板故障診斷?；诖朔椒ㄔO計了雷達電路板故障診斷系統(tǒng)，提高了雷達故障診斷的正確性和效率。
關鍵詞： 最優(yōu)小波包； 最小二乘支持向量機； 熵； 故障診斷

隨著高新技術廣泛用于軍用雷達，使得雷達系統(tǒng)變得越來越復雜，但操作更加簡單和智能化?，F代戰(zhàn)爭中，雷達的作用也越來越重要，戰(zhàn)場不僅要求雷達具有全天候的作戰(zhàn)能力、優(yōu)越的性能指標、極高的自動化程度及高可靠性，更重要的是要求雷達維修保障人員能夠進行戰(zhàn)場快速搶修，確保雷達裝備的完好率。因此，對于雷達裝備的智能化維修保障也提出了更高的要求。人工神經網絡[1]存在訓練樣本大、隱層節(jié)點數目選取等問題；專家系統(tǒng)[2]由于依賴于雷達專家知識，運用某種規(guī)則進行推理，因此在自適應能力和學習能力方面存在局限性。本文針對當前基層部隊無法對電路板進行維修的現狀及難點，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相結合的雷達故障診斷方法，并基于此設計了某型雷達電路板故障診斷系統(tǒng)，旨在提高部隊基層雷達裝備自我維修保障能力，確保戰(zhàn)時能夠實現戰(zhàn)場的快速搶修。應用結果表明，該方法提高了雷達故障診斷的有效性和優(yōu)越性。
支持向量機[3]SVM（Support Vector Machine）是在統(tǒng)計學習理論SLT（Statistical Learning Theory）的基礎上發(fā)展起來的十分有效的分類方法，它基于最小的結構風險，解決了學習機的學習能力和泛化能力之間的矛盾。支持向量機通過核函數把原始數據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克服了神經網絡的不足，在解決小樣本、非線性及高維模式識別問題中表現出結構簡單、全局最優(yōu)、泛化能力強等許多特有的優(yōu)勢。最小二乘支持向量機[4，5]LS-SVM（Least Squares Support Vector Machine）是SVM的擴展，采用最小二乘線性系統(tǒng)代替SVM用二次規(guī)劃的方法實現學習問題，避免了SVM的凸二次規(guī)劃問題的求解。


2.2 模型算法
LS-SVM是在SVM的基礎上進行改進而提出的，它用二次損失函數取代了SVM中的不敏感一次損失函數，將二次尋優(yōu)變?yōu)閷€性方程組的求解，簡化了計算復雜性，并且約束條件由不等式改為等式[9],優(yōu)化問題成為：

2.3 實施步驟
在LS-SVM算法中，規(guī)則化參數γ和RBF核函數的標準化參數δ通常根據經驗選取一個具體的值，但δ取值不同，結果變化較大。因此，在應用中要進行效果比較，動態(tài)選取。具體步驟為：
(1)訓練數據導入。LS-SVM方法和神經網絡一樣，需要訓練樣本和測試樣本。
(2)數據處理與特征提取。對樣本數據進行處理可以提高訓練速度，特征提取是指當樣本空間維數較高時，通過映射或變換的方法，將數據樣本變?yōu)榈途S空間數據，以達到降維的目的。
(3)樣本訓練。在對樣本進行訓練之前，需要確定LS-SVM模型的兩個重要參數，即懲罰參數γ（gam）和徑向基核參數δ（sig2）。本文采用交叉驗證法(網格法搜索)，在工具箱中，使用 tunelssvm函數，其中包含了網格搜索，對gam、sig2進行優(yōu)化選擇。
(4)采用測試樣本進行測試。需要使用函數simlssvm，類似于神經網絡中的sim函數。
3 故障診斷系統(tǒng)設計
3.1 系統(tǒng)簡介
　系統(tǒng)以Windows為平臺，采用Visual Studio 2008為開發(fā)工具，以SQL2005為后臺數據庫生成軟件系統(tǒng)。故障檢測定位模塊采用Matlab編寫，系統(tǒng)采用混合編程方法，輸入數據即可完成實時在線故障診斷。該系統(tǒng)具有電路板故障檢測定位、電路板信號查詢和數據庫管理等功能。系統(tǒng)的結構如圖3所示。

3.2 功能簡介