公开(公告)号：CN110633516A

公开(公告)日：2019-12-31

申请号：CN201910812431.0

申请日：2019-08-30

Applicant: 电子科技大学

Inventor： 刘震 ,  梅文娟 ,  杜立 ,  程玉华 ,  黄建国 ,  白利兵

IPC: G06F17/50

Abstract: 本发明公开了一种电子器件性能退化趋势的预测方法，通过离线建立初始相关熵极限学习机的预测模型，并对动态动态相关熵极限学习机在线更新，构建与奇异值相结合的编码本机制，进而来识别历史数据中的奇异值，从而克服数据中噪声和奇异值对预测模型的影响，提升预测模型的最终预测效果。

公开(公告)号：CN110457776B

公开(公告)日：2022-06-14

申请号：CN201910661767.1

申请日：2019-07-22

Applicant: 电子科技大学

Inventor： 刘震 ,  梅文娟 ,  杜立 ,  程玉华 ,  黄建国

IPC: G06N5/00 ,  G06N7/00 ,  G06F30/30

Abstract: 本发明公开了一种基于故障决策网络的测试策略快速生成方法，通过构建待测试系统的故障依赖矩阵和故障决策网络，通过启发式搜索算法生成最优测点，进而得到最优测试策略，从而通过最优搜索路径隔离出网络中的故障；这样结合依赖信息对于最优策略生成的影响，精确估计出启发函数值，减小启发函数估计与搜索策略决策在应用中的偏差，同时，通过机会代价的设定，为每一次搜索设置最优解上限，从而控制搜索过程，达到提高效率的目的。

公开(公告)号：CN109581194B

公开(公告)日：2020-08-11

申请号：CN201811550191.3

申请日：2018-12-18

Applicant: 电子科技大学

Inventor： 刘震 ,  梅文娟 ,  杜立 ,  杨成林

IPC: G01R31/28

Abstract: 本发明公开了一种电子系统故障测试策略动态生成方法，根据静态生成的搜索树和动态测试测点或故障的改变量，进行动态修改搜索树中节点搜索策略的代价，更新搜索策略中各个故障模糊集的最优测点，进而快速更新诊断树，得到优化测试方案，这样提高了整体测试的优化效率，降低搜索次数。

公开(公告)号：CN110222606A

公开(公告)日：2019-09-10

申请号：CN201910439957.9

申请日：2019-05-24

Applicant: 电子科技大学

Inventor： 梅文娟 ,  刘震 ,  程玉华 ,  黄建国

IPC: G06K9/00 ,  G06N3/04 ,  G06N3/08

Abstract: 本发明公开了一种基于树搜索极限学习机的电子系统早期故障预测方法，先利用电子系统早期的故障信号作为原始的输入信号，采用Volterra级数模型得到预测模型的输入层数据，再利用树搜索方法构造用于预测故障信号的极限学习机，同时采用多维粒子群算法构造极限学习机隐藏层中的神经元，预测故障信号趋势，从而提高电子系统早期的故障信号的预测精度高，且模型精简高效。

公开(公告)号：CN110109005A

公开(公告)日：2019-08-09

申请号：CN201910439946.0

申请日：2019-05-24

Applicant: 电子科技大学

Inventor： 刘震 ,  梅文娟 ,  杜立 ,  杨成林 ,  周秀云

IPC: G01R31/3163

Abstract: 本发明公开了一种基于序贯测试的模拟电路故障测试方法，通过条件熵评估测点的有效性，选择故障识别能力强的测点的特征值作为极限学习机输入层信息，产生表达故障状态识别结果的证据矢量；再基于D-S理论生成信任函数，根据相似性传播将故障状态集合分离成若干故障子集，并进一步生成故障子集的诊断模型，直至故障状态全部分离或者分离到最优状态，具有故障识别精度高、故障识别效率高等特点。

公开(公告)号：CN113361189B

公开(公告)日：2022-04-19

申请号：CN202110514211.7

申请日：2021-05-12

Applicant: 电子科技大学

Inventor： 刘震 ,  梅文娟 ,  刘昊天 ,  龙兵

IPC: G06F30/27 ,  G06N3/04 ,  G06N3/08 ,  G06F111/10 ,  G06F119/02

Abstract: 本发明公开了一种基于多步鲁棒预测学习机的芯片性能退化趋势预测方法，结合极限学习机和循环神经网络，具备极高的信息融合能力和信息快速处理能力，同时，通过建立误差编码本构建了基于相关熵的相似性，根据芯片退化多样性和动态性建立实时预测模型更新，克服干扰对预测结果的影响。因此，本发明相较于现有方法具有更高的在线预测精度，且多步预测结果相较于现有方法更加准确。

公开(公告)号：CN110109005B

公开(公告)日：2021-03-30

申请号：CN201910439946.0

申请日：2019-05-24

Applicant: 电子科技大学

Inventor： 刘震 ,  梅文娟 ,  杜立 ,  杨成林 ,  周秀云

IPC: G01R31/3163

Abstract: 本发明公开了一种基于序贯测试的模拟电路故障测试方法，通过条件熵评估测点的有效性，选择故障识别能力强的测点的特征值作为极限学习机输入层信息，产生表达故障状态识别结果的证据矢量；再基于D‑S理论生成信任函数，根据相似性传播将故障状态集合分离成若干故障子集，并进一步生成故障子集的诊断模型，直至故障状态全部分离或者分离到最优状态，具有故障识别精度高、故障识别效率高等特点。

公开(公告)号：CN109581190B

公开(公告)日：2020-08-11

申请号：CN201811480885.4

申请日：2018-12-05

Applicant: 电子科技大学

Inventor： 刘震 ,  梅文娟 ,  杜立 ,  黄建国

IPC: G01R31/28

Abstract: 本发明公开了一种用于电路故障诊断的最优诊断树生成方法，基于故障测试模型中得到的电子系统内部故障状态与电路中测点输出的关系，再构建动态规划列表搜索最优解；然后对动态规划列表中的故障集，筛选出有效测点，并根据有效测点扩大搜索深度，通过动态规划列表避免相同故障集的重复搜索，进而减小搜索次数，从而能够快速生成最优诊断树。

公开(公告)号：CN108804764A

公开(公告)日：2018-11-13

申请号：CN201810427737.X

申请日：2018-05-07

Applicant: 电子科技大学

Inventor： 刘震 ,  梅文娟 ,  程玉华 ,  余宜璐 ,  黄建国

IPC: G06F17/50 ,  G06N3/02 ,  G06N3/12

CPC classification number: G06F17/5009 ,  G06N3/02 ,  G06N3/126

Abstract: 本发明公开了一种基于极限学习机的锂电池老化趋势预测方法，该方法利用极限学习机对采集的锂电池充电电压的原始时间序列精确建模，以Volterra级数模型作为极限学习机模型的输入层，同时，为提高电池老化数据模型的准确性，在构造预测模型阶段通过遗传算法生成具有更高预测精度的隐藏层神经元，通过锂电池的预测模型预测锂电池老化趋势，实验结果证明，该方法具有良好的预测性能，精度高。

公开(公告)号：CN110222606B

公开(公告)日：2022-09-06

申请号：CN201910439957.9

申请日：2019-05-24

Applicant: 电子科技大学

Inventor： 梅文娟 ,  刘震 ,  程玉华 ,  黄建国

IPC: G06K9/00 ,  G06N3/04 ,  G06N3/08

Abstract: 本发明公开了一种基于树搜索极限学习机的电子系统早期故障预测方法，先利用电子系统早期的故障信号作为原始的输入信号，采用Volterra级数模型得到预测模型的输入层数据，再利用树搜索方法构造用于预测故障信号的极限学习机，同时采用多维粒子群算法构造极限学习机隐藏层中的神经元，预测故障信号趋势，从而提高电子系统早期的故障信号的预测精度高，且模型精简高效。