摘  要： 提出了基于支持向量機（SVM）高頻振蕩回路性能的評價方法。以高頻并聯(lián)振蕩電路為實驗研究對象，通過將由高精密儀器設(shè)備采樣信號分析與基于SVM的性能的評價分析相對比，證明了此評價方法的可靠性與精確性。該方法采用徑向基核函數(shù)和合適的ε、C參數(shù)，有效地對高頻振蕩電路的通頻帶等參數(shù)進行測定、分析誤差，是值得推廣與研究的高頻振蕩回路性能評價的一種新方法。實驗表明，該方法可推廣到通信網(wǎng)絡(luò)的相關(guān)參數(shù)的評價當中。
關(guān)鍵詞： 支持向量機；高頻并聯(lián)振蕩回路；通頻帶

　高頻振蕩回路是高頻應(yīng)用最廣的無源網(wǎng)絡(luò)，是構(gòu)成通信網(wǎng)絡(luò)必不可少的重要組成部分。同時，它也是構(gòu)成高頻放大器、振蕩器的主要部件。在高頻電路中，振蕩回路完成作為負載、選擇信號、變換阻抗等任務(wù)?，F(xiàn)有的高頻振蕩回路可以用相應(yīng)的儀器設(shè)備來測試其頻率、增益等來體現(xiàn)其性能的優(yōu)劣。但這只是一種近似估計的檢測方法。如果某一振蕩回路的設(shè)計是應(yīng)用于特殊環(huán)境，對其性能的檢測精確度要求較高，而如何對其進行精確的評價則是當前值得探究的一個問題?；谶@一點，本文提出了基于支持向量基（SVM）的高頻并聯(lián)振蕩回路性能評價方法。
1 高頻振蕩回路的特性分析
    在設(shè)計振蕩電路時，需注意相對于時間、溫度、電源電壓的輸出穩(wěn)定度的特性及以正弦波輸出的振蕩波形失真（如果為純粹的正弦波時，失真率為零）。除了上述特性以外，在高頻率振蕩電路的設(shè)計中，還要考慮到頻率的可變范圍以及振蕩頻率范圍。
    數(shù)據(jù)挖掘源于數(shù)據(jù)庫技術(shù)引發(fā)的海量數(shù)據(jù)和人們利用這些數(shù)據(jù)的愿望。支持向量機（SVM）[1,2]是一種以有限樣本統(tǒng)計學(xué)習(xí)理論為基礎(chǔ)發(fā)展起來的新的通用學(xué)習(xí)方法，有效地解決了小樣本、高維數(shù)、非線性等傳統(tǒng)的學(xué)習(xí)問題，大大地提高了學(xué)習(xí)方法的泛化能力。目前支持向量機在其理論研究和算法實現(xiàn)方面都取得了突破性的進展，進入了飛速發(fā)展的階段，并取得了良好的效果。將其應(yīng)用于高頻并聯(lián)振蕩回路性能評價方法的討論中，提出了基于SVM的評價方法[3-8]。

2 支持向量機
    支持向量機是在結(jié)構(gòu)風(fēng)險最小化的基礎(chǔ)上，對兩種不同類別的樣本數(shù)據(jù)找到一個最優(yōu)分類面的最優(yōu)算法。支持向量機目前有兩類主要的應(yīng)用，即模式識別和回歸分析。本文討論的是分類識別問題，它屬于模式識別一類。不失一般性，分類問題最終都可以歸結(jié)為兩類別的分類問題。這個問題的目標就是從已知樣本中推出一個函數(shù)，對兩類對象進行分類。現(xiàn)將下列給定訓(xùn)練集合的訓(xùn)練樣本分離為兩類：
 
 
練好的2級支持向量機，根據(jù)SVM1、SVM2的輸出結(jié)果進行2級分類。只有通頻帶在規(guī)定的范圍之內(nèi)時，才可通過SVM1進入SVM2進行最后的性能評價，給出評價結(jié)果。
4 結(jié)果與分析
    本方法采用了通過PSA與ESA分析系統(tǒng)得到的30個通頻帶信息數(shù)據(jù)作為訓(xùn)練集，經(jīng)過系統(tǒng)訓(xùn)練得到SVM1與SVM2。然后收集20個歷史數(shù)據(jù)作為測試樣本，其中12個合格(包括8個合格、4個不合格)和8個不合格。利用訓(xùn)練好的2個SVM對它們進行了2級識別，結(jié)果如下：

    通過對于測試結(jié)果的分析，2個支持向量機可以較優(yōu)地對于高頻并聯(lián)振蕩回路性能進行評價檢測。
    支持向量機是一種有限樣本條件下的通用學(xué)習(xí)方法，可以較好地解決小樣本、高維數(shù)和非線性等實際問題。本文討論了一種基于支持向量機的應(yīng)用于特殊環(huán)境下的高頻并聯(lián)振蕩回路性能優(yōu)良的檢測評價方法。該方法采用了2個支持向量機進行分類識別，并取得了很好的識別效果。這種基于SVM的振蕩回路性能的識別方法對訓(xùn)練樣本數(shù)的要求較低，實時性能好，可很好地應(yīng)用于通信中的部分單元電路功能檢測與評價，為通信品質(zhì)提供了良好的保障，具有非常好的應(yīng)用前景。本文還有待于深入研究，例如SVM核函數(shù)的選擇以及最優(yōu)算法等問題。
參考文獻
[1] CRISTIANINI N, TAYLOR J S.支持向量機導(dǎo)論[M].李國正，王猛，曾華軍，譯.北京：電子工業(yè)出版社.2004.
[2] 鄧乃揚，田英杰.數(shù)據(jù)挖掘中的新方法——支持向量機[M].北京：科學(xué)出版社.2004.
[3] SOMPOLINSKY H，DIETRICH R,OPPER M.Support vectors and statistical mechanics[M].in Advances in Large Margin Classifiers, B.Scholkopf D.Schurmans A.J.Smola, P.L. Bartlett, ED.,MIT Press, Cambridge, MA, 2000：359-367.
[4] Jia Licheng，Zhang Li，Zhou Weida.Wavelet support vector machine[J].IEEE Trans. On Systems, Man, and Cybernatics, Part B, 2004，34(1)：34-39.
[5] FOODY G M，MATHUR A.A relative evaluation of multiclass image classification by support vector machines.IEEE Trans. Geoscience and Remote Sensing, 2004(42)：1335-1343.
[6] XU P，CHAN A. K.Support vector machines for multiclass signal classification with unbalanced samples[C].Proc. Int. Joint Con. on Neural Networks, Portland, OR, 2003：1116-1119.
[7] SCHLKOPF B, SMOLA A. A tutorial on support vecdor regression[R]. Neuro COL T2 Technical Report Series NC2-TR-1998-030, 1998.
[8] MICHIE D, SPIEGELHALTER D. J，TAYLOR C. C. Machine learning,neural and statistical classification[EB/OL]. 1994. ftp:ftp.ncc.up.pt/pub/statlog/.