导读:本文包含了模拟优化电路论文开题报告文献综述、选题提纲参考文献及外文文献翻译，主要关键词:算法,电路,向量,故障诊断,果蝇,神经网络,步长。
模拟优化电路论文文献综述
梁生欣,王梦硕,杨帆,严昌浩,曾璇[1]（2019）在《基于物理设计约束的模拟电路尺寸设计的优化算法GMSGA》一文中研究指出在模拟电路自动化尺寸设计方法中,基于仿真的方法精度高但耗时巨大.考虑到物理设计的约束,基于优化的模拟电路尺寸设计问题可以看作混合整数规划问题,然而利用传统的方法解决这类问题耗时巨大.为了解决该问题,本文提出一种新的优化算法:混合高斯采样贪婪算法(GMSGA).该算法首先基于混合高斯过程采样的方法获得约束侵犯和较小的良好的起始点,随后将混合整数规划问题近似地分解为整数规划问题和连续变量优化问题分别求解,其中:整数规划问题采用了一种贪婪算法,这极大地减少了仿真次数;连续变量优化采用序列二次规划算法,用来对结果进行局部优化.为验证算法的效率和可靠性,我们利用该算法了设计一个ADC中的运算放大器和E类功放.实验结果表明:相较于其他算法,该算法在相同的仿真次数下多次实验可以得到更好的优化结果.(本文来源于《复旦学报(自然科学版)》期刊2019年05期）
吴世浩,孟亚峰,王超[2]（2019）在《基于改进烟花算法的非线性模拟电路测试激励优化》一文中研究指出为增强非线性模拟电路故障诊断中故障模式之间的可辨识性,提高故障诊断率,提出一种基于改进烟花算法的非线性模拟电路测试激励优化方法。该方法首先采用基于Volterra频域核和BP神经网络的方法对非线性模拟电路进行建模,进而针对烟花算法存在寻优速度慢、效率低等问题,对其爆炸算子、变异算子、选择策略等进行改进,采用改进后的烟花算法对非线性模拟电路的测试激励进行寻优,通过电路仿真表明,优化后的信号可有效提高故障可分性,从而提高故障诊断率。(本文来源于《中国测试》期刊2019年06期）
谢喜云[3]（2019）在《基于混合蚁群算法的模拟小波优化设计及电路实现》一文中研究指出小波变换因具有多分辨率分析特点而成为分析与处理非平稳信号的理想工具,被广泛应用于信号处理领域。传统小波变换采用数字方法实现,但其存在运算量大而难以满足实时性要求,同时需要A/D转换,造成功耗高和体积大等缺点,为满足低功耗、低电压和实时性等应用要求需要,研究模拟电路实现小波变换具有十分重要的意义。本文主要研究基于混合蚁群算法的模拟小波实现。其首要任务是对小波函数进行有理函数逼近。针对已有的一些小波逼近方法逼近误差大,系统稳定性不够理想等问题,提出一种基于混合蚁群优化算法的小波逼近方法。首先,利用最小均方误差准则,对小波逼近过程进行具有约束的数学建模。其次,对于构造的优化模型,采用混合蚁群算法求解。仿真实验结果表明,所提出的基于混合蚁群的小波逼近方法逼近效果更好,更具优越性。针对小波变换的模拟电路实现,提出了一种基于运算跨导放大器(OTA)和多端输出的电流控制第二代电流传输器(MOCCCⅡ)的电流模电路实现模拟小波的方法。以高斯小波为例,给出了具体的实现过程和电路结构,包含4个OTA和1个MOCCCⅡ。理论分析和仿真结果表明,用该类电流模电路实现连续小波变换的的方法可行,与同类电流相比,该电路的设计和结构都比较简单,电路中的无源元件全部接地,易于集成,适用于实际应用要求的需要。(本文来源于《湖南理工学院》期刊2019-06-03）
张欣然[4]（2019）在《基于优化人工智能算法的模拟电路故障诊断研究》一文中研究指出在数模混合电路(Analog/mixed-signal circuits,AMS)测试中,模拟电路测试成本占总测试成本的95%以上,且绝大部分故障发生于模拟部分。目前,AMS中的数字电路故障诊断的方法已经成熟并在实践中得到了应用,但由于模拟电路的复杂性和非线性等特点,导致模拟电路故障诊断的发展较为缓慢,成为了AMS测试领域中的重难点问题。随着电路集成度和复杂度的提高,传统的模拟电路故障诊断方法已经难以满足测试要求,人工智能方法成为了研究热点。本文以人工智能方法为手段,以Sallen-key带通滤波器和CTSV滤波器电路为被测对象,对模拟电路故障诊断展开研究。本文的主要内容及创新点如下:1.基于小波包峭度和邻域保持嵌入(Neighborhood preserving embedding,NPE)的模拟电路特征提取方法。本文研究了模拟电路特征提取方法的叁个环节包括特征提取方法,特征参数和降维方法,并将不同环节进行优化组合,在此基础上提出了基于小波包峭度和NPE的特征提取方法。该方法利用小波包提取模拟电路的故障样本,峭度作为故障样本的特征参数,邻域保持嵌入压缩样本数据,从而避免了电路噪声干扰,保持了数据内部流形,具有更好的电路故障提取能力。实验结果表明,基于小波包峭度和NPE方法相较于传统方法至少能提高15%的诊断正确率,从而证明了该方法对于模拟电路故障提取的优越性和普适性。2.基于云模型优化概率神经网络的模拟电路故障诊断。本文选择概率神经网络(Probabilistic Neural Network,PNN)解决模拟电路的大样本分类问题,并利用多维正态云模型优化概率神经网络的参数。通过峰值云变换将不同故障模式下的训练样本构造出多维正态云模型,将其作为概率神经网络的模式层神经元。然后利用峰值这一参数求得模式层与求和层之间的连接权重。最后,优化的概率神经网络进行故障分类。该方法既能确定隐含层神经元数目,又能利用峰值云变换中的峰值这一数值特性求来取连接权值,优化了PNN的叁个参数,简化了PNN的训练过程。诊断实例表明,该方法的诊断正确率达到了99%以上。3.基于云进化算法优化支持向量机的模拟电路故障诊断。针对模拟电路的小样本分类问题,本文选择支持向量机(Support Vector Machine,SVM)来解决该问题,并利用云进化算法(Cloud Based Evolutionary Algorithm,CBEA)优化支持向量机参数。云进化算法利用期望作为母体,熵和超熵控制搜索方向,通过局部求精,局部求变,突变的一系列操作以寻找支持向量机的最优参数。该算法可以较好的避免陷入局部最优,随机游走等传统寻优算法存在的问题,具有较强的收敛能力。诊断实例表明,该方法的诊断正确率达到了98%以上,相较于传统的支持向量机诊断方法提高了约8%。(本文来源于《桂林电子科技大学》期刊2019-06-01）
汪斌斌[5]（2019）在《优化的极限学习机模拟电路故障诊断研究》一文中研究指出随着当今智能电子产品的快速发展和渗透社会的各个方面,由此电路系统检测与诊断已成为极具研究价值的战略性课题。电路系统中模拟电路集成度越来越高,一旦发生故障将导致电路系统的瘫痪。模拟电路的非线性和容差性的问题使得传统的诊断方法和理论研究难以满足当下电路故障诊断需求,因此研究适用的和有效的模拟电路故障诊断方法显得尤为重要和急迫。随着群体算法和人工智能的迅速发展,为诊断理论和方法提供了新的有效途径。本文借此,以通用电路为对象分别从故障特征参数的提取、选择和故障分类器等方面进行研究,主要的研究工作和成果如下:(1)故障特征参数集提取和选择的研究。在故障特征参数集选择方面,本文采用自适应遗传算法(Adaptive Genetic Algorithm,AGA),AGA作为一种启发式搜索算法在最优化问题具有良好的效果。为保证特征参数之间的相关性,算法中适应度函数遵循散布矩阵规则,针对特征参数采样点的提取的原始特征参数采用二进制编码。通过实验验证在处理低维数据时拥有良好的效果。为了不局限于低维故障特征参数的处理能力,本文引入深度学习理论和方法。在高维特征参数提取方面进行了研究,利用深度学习网络稀疏自动编码机级联叁层构建成堆迭自动编码机(Stack Auto-Encoder,SAE)。为了进一步提高堆迭自动编码机对高维数据提取能力的稳定性和准确性,文中研究了粒子群算法(Particle Swarm Optimization,PSO)对堆迭自动编码机网络权值和偏置的迭代寻优方法,然后进行实验验证了这一方法的可行性。(2)故障分类器的研究。本文以极限学习机(Extreme Learning Machine,简称ELM)作为故障分类器的基本网络,极限学习机网络具备参数配置少,权值和偏置随机赋值,网络学习速度和收敛快等特点。但是权值和偏置的随机赋值会对网络的稳定性有一定的影响,故文中提出了自适应狼群算法(Adaptive Wolf Pack Algorithm,简称AWPA)和构建了自适应狼群算法优化极限学习机的网络模型(AWPA-ELM)。其中自适应狼群算法是针对狼群算法(Wolf Pack Algorithm,简称WPA)在游走、召唤和围攻等行为缺乏学习能力,不能根据寻优空间和寻优资源的变化自我调整。文中引入自适应思想策略构建了自适应狼群算法,然后进行实验验证了该方法的可行性。(本文来源于《桂林电子科技大学》期刊2019-06-01）
刘洋,华璧辰,张侃健,魏海坤[6]（2019）在《基于优化AdaBoost-SVM的模拟电路故障诊断》一文中研究指出为提高含容参元件模拟电路软故障的诊断率,并考虑到单分类器分类精度的提升已达到了一个瓶颈,提出一种优化AdaBoost-SVM算法并将其应用于模拟电路故障诊断中。以OrCAD/PSpice软件中对电路进行Monte-Carlo分析的数据为基础,选取特征时,采用对时频信号中易直接测量的物理量归一化后组合的方式。实验结果表明,通过选取的组合特征向量,利用优化的AdaBoost-SVM算法,构造出具有差异度的SVM分类器并集成后,能够自适应地提升单SVM分类器性能,表现出更好的分类精度与泛化性能,能较好地满足容差模拟电路软故障诊断要求。(本文来源于《软件导刊》期刊2019年10期）
肖晓晖[7]（2019）在《基于改进果蝇优化算法优化SVM的模拟电路故障诊断》一文中研究指出为提高支持向量机(SVM)在模拟电路故障诊断中的精度,对果蝇优化算法(FOA)进行改进,提取了一种基于改进果蝇优化算法优化SVM的模拟电路故障诊断方法。改进果蝇优化算法(SHFOA)在FOA算法中增加了"学习历史"的策略,增强了果蝇种群的多样性和算法跳出局部最优的能力,可以获得更优的SVM参数,有效地提升了SVM的分类性能。Sallen-Key低通滤波器电路故障诊断和工程应用验证了SHFOA算法提升了SVM的识别效果,获得了更高的故障诊断精度,相比于其他一些方法更有优势。(本文来源于《电子测量与仪器学报》期刊2019年05期）
胡鸿志,岑德炼,徐翠锋,滕全进[8]（2019）在《基于CS优化神经网络的模拟电路故障诊断》一文中研究指出针对目前模拟电路故障诊断的预测精度较低的问题,提出一种基于布谷鸟算法(CS)优化神经网络的模拟电路故障诊断方法 (CS-GRNN)。选择广义回归神经网络(GRNN)作为网络模型,把小波包变换提取到的电路故障特征作为网络输入,运用布谷鸟搜索算法对GRNN进行网络参数优化,利用优化后的CS-GRNN模型进行故障诊断。实验结果表明,较其它诊断方法,CS-GRNN诊断模型只需迭代较少次数就可获得很高的预测精度,平均故障诊断正确率可达97.281 75%,具有明显的优势。(本文来源于《计算机工程与设计》期刊2019年04期）
赵新,刘冬生[9]（2019）在《基于改进果蝇算法优化SVM的模拟电路故障诊断及对比分析》一文中研究指出为提高支持向量机(SVM)对模拟电路的故障诊断精度,提取了基于动态变步长果蝇算法优化SVM的模拟电路故障诊断方法。动态变步长果蝇算法(DCSFOA)在FOA算法的基础上,通过适应度值对果蝇种群进行动态划分,然后两个子群按照不同的公式进行搜索步长的计算并完成位置更新,增强了果蝇种群的寻优能力,可以获得更优的SVM参数,有效地提升了SVM的分类性能。最后以UCI数据集、Sallen-Key低通滤波器模拟电路和实际电路故障诊断为例,从纵向和横向两个方面对DCSFOA-SVM有效性和优势进行了验证。(本文来源于《电子测量与仪器学报》期刊2019年03期）
谈恩民,张欣然,王存存[10]（2019）在《云模型改进萤火虫算法优化的模拟电路故障诊断》一文中研究指出针对萤火虫算法(FA)优化最小二乘支持向量机(LSSVM)的结构参数时,存在早熟和后期收敛速度慢等问题,提出了一种云模型改进型萤火虫算法(CCAFA)优化LSSVM参数的算法。首先,利用混沌映射初始化FA的初始位置,以获得群体的多样性;其次,依据萤火虫的适应度值将种群划分为叁个区间,利用云自适应进化策略调整某一区间的惯性权重,之后采用云模型对萤火虫的初始位置实施变异操作;最后,使用混沌序列对群体最优位置进行优化处理,增强群体的全局搜索能力。通过对典型的4个参考函数进行测试,以测验该算法的可行性。并将CCAFA-LSSVM模型应用于模拟电路的故障诊断中,结果表明,改进型算法的收敛速度快、全局搜索能力强,有一定的参考价值。(本文来源于《电测与仪表》期刊2019年15期）
模拟优化电路论文开题报告
（1）论文研究背景及目的
此处内容要求：
首先简单简介论文所研究问题的基本概念和背景，再而简单明了地指出论文所要研究解决的具体问题，并提出你的论文准备的观点或解决方法。
写法范例：
为增强非线性模拟电路故障诊断中故障模式之间的可辨识性,提高故障诊断率,提出一种基于改进烟花算法的非线性模拟电路测试激励优化方法。该方法首先采用基于Volterra频域核和BP神经网络的方法对非线性模拟电路进行建模,进而针对烟花算法存在寻优速度慢、效率低等问题,对其爆炸算子、变异算子、选择策略等进行改进,采用改进后的烟花算法对非线性模拟电路的测试激励进行寻优,通过电路仿真表明,优化后的信号可有效提高故障可分性,从而提高故障诊断率。
（2）本文研究方法
调查法：该方法是有目的、有系统的搜集有关研究对象的具体信息。
观察法：用自己的感官和辅助工具直接观察研究对象从而得到有关信息。
实验法：通过主支变革、控制研究对象来发现与确认事物间的因果关系。
文献研究法：通过调查文献来获得资料，从而全面的、正确的了解掌握研究方法。
实证研究法：依据现有的科学理论和实践的需要提出设计。
定性分析法：对研究对象进行“质”的方面的研究，这个方法需要计算的数据较少。
定量分析法：通过具体的数字，使人们对研究对象的认识进一步精确化。
跨学科研究法：运用多学科的理论、方法和成果从整体上对某一课题进行研究。
功能分析法：这是社会科学用来分析社会现象的一种方法，从某一功能出发研究多个方面的影响。
模拟法：通过创设一个与原型相似的模型来间接研究原型某种特性的一种形容方法。
模拟优化电路论文参考文献
[1].梁生欣,王梦硕,杨帆,严昌浩,曾璇.基于物理设计约束的模拟电路尺寸设计的优化算法GMSGA[J].复旦学报(自然科学版).2019
[2].吴世浩,孟亚峰,王超.基于改进烟花算法的非线性模拟电路测试激励优化[J].中国测试.2019
[3].谢喜云.基于混合蚁群算法的模拟小波优化设计及电路实现[D].湖南理工学院.2019
[4].张欣然.基于优化人工智能算法的模拟电路故障诊断研究[D].桂林电子科技大学.2019
[5].汪斌斌.优化的极限学习机模拟电路故障诊断研究[D].桂林电子科技大学.2019
[6].刘洋,华璧辰,张侃健,魏海坤.基于优化AdaBoost-SVM的模拟电路故障诊断[J].软件导刊.2019
[7].肖晓晖.基于改进果蝇优化算法优化SVM的模拟电路故障诊断[J].电子测量与仪器学报.2019
[8].胡鸿志,岑德炼,徐翠锋,滕全进.基于CS优化神经网络的模拟电路故障诊断[J].计算机工程与设计.2019
[9].赵新,刘冬生.基于改进果蝇算法优化SVM的模拟电路故障诊断及对比分析[J].电子测量与仪器学报.2019
[10].谈恩民,张欣然,王存存.云模型改进萤火虫算法优化的模拟电路故障诊断[J].电测与仪表.2019
论文知识图
