基于BCL-ASA-BP神经网络的模拟电路板芯片故障诊断

针对模拟电路板芯片故障界定标准不明确和实现快速、准确分类困难的问题,本文提出了一种基于双元卷积Logistic原子搜索算法(Binary Convolution Logistic-Atom Search Algorithm,BCL-ASA)优化BP神经网络(BCL-ASA-BP)的故障诊断模型。首先,对电路板芯片不同状态下的温度进行采集和特征提取,并采用欧氏距离对特征进行融合,建立含有芯片故障界定标准的故障特征模型。接着,利用双元卷积Logistic映射初始化原子搜索算法的种群规模和位置,提高收敛速度和精度。然后,通过BCL-ASA优化BP神经网络寻优过程,获得最优权值和阈值。最后,将芯片故障特征模型输入到BCL-ASA-BP神经网络中进行训练和测试,完成电路板芯片故障诊断。实验采用电源电路板进行可靠性分析,结果表明,BCL-ASA-BP对芯片故障综合诊断准确率可达98.35%,较传统BP算法提升13.9%。     

基于平稳和连续小波变换融合算法的心电信号P,T波检测

P, T波的检测在临床上是心血管疾病诊断的重要依据。由于其波形能量低、形态复杂,极易受到噪声干扰,导致现有检测算法精度仍有待提高。该文提出平稳和连续小波变换融合算法检测P, T波,利用连续小波变换的多尺度信息,获取心电图(ECG)信号中P, T波主要成分,融合其平稳小波对P, T波候选段进行平滑处理,消除波形中锯齿状毛刺对峰值点检测的影响,最后对P, T波过零点进行时移修正,保证过零点还原到原始信号过程中能够准确对应其峰值点,从而提高P, T波检测精度。该文算法在MIT-BIH arrhythmic数据库上进行验证,最终P波的误差率、敏感度、正确预测度达到:0.23%, 99.85%, 99.90%;T波的误差率、敏感度、正确预测度达到0.27%, 99.85%, 99.87%。     

基于平稳和连续小波变换融合算法的心电信号P,T波检测

P, T波的检测在临床上是心血管疾病诊断的重要依据。由于其波形能量低、形态复杂,极易受到噪声干扰,导致现有检测算法精度仍有待提高。该文提出平稳和连续小波变换融合算法检测P, T波,利用连续小波变换的多尺度信息,获取心电图(ECG)信号中P, T波主要成分,融合其平稳小波对P, T波候选段进行平滑处理,消除波形中锯齿状毛刺对峰值点检测的影响,最后对P, T波过零点进行时移修正,保证过零点还原到原始信号过程中能够准确对应其峰值点,从而提高P, T波检测精度。该文算法在MIT-BIH arrhythmic数据库上进行验证,最终P波的误差率、敏感度、正确预测度达到：0.23%, 99.85%, 99.90%;T波的误差率、敏感度、正确预测度达到0.27%, 99.85%, 99.87%。