摘  要： 提出了基于支持向量机（SVM）高频振荡回路性能的评价方法。以高频并联振荡电路为实验研究对象，通过将由高精密仪器设备采样信号分析与基于SVM的性能的评价分析相对比，证明了此评价方法的可靠性与精确性。该方法采用径向基核函数和合适的ε、C参数，有效地对高频振荡电路的通频带等参数进行测定、分析误差，是值得推广与研究的高频振荡回路性能评价的一种新方法。实验表明，该方法可推广到通信网络的相关参数的评价当中。
关键词： 支持向量机；高频并联振荡回路；通频带

　高频振荡回路是高频应用最广的无源网络，是构成通信网络必不可少的重要组成部分。同时，它也是构成高频放大器、振荡器的主要部件。在高频电路中，振荡回路完成作为负载、选择信号、变换阻抗等任务。现有的高频振荡回路可以用相应的仪器设备来测试其频率、增益等来体现其性能的优劣。但这只是一种近似估计的检测方法。如果某一振荡回路的设计是应用于特殊环境，对其性能的检测精确度要求较高，而如何对其进行精确的评价则是当前值得探究的一个问题。基于这一点，本文提出了基于支持向量基（SVM）的高频并联振荡回路性能评价方法。
1 高频振荡回路的特性分析
    在设计振荡电路时，需注意相对于时间、温度、电源电压的输出稳定度的特性及以正弦波输出的振荡波形失真（如果为纯粹的正弦波时，失真率为零）。除了上述特性以外，在高频率振荡电路的设计中，还要考虑到频率的可变范围以及振荡频率范围。
    数据挖掘源于数据库技术引发的海量数据和人们利用这些数据的愿望。支持向量机（SVM）[1,2]是一种以有限样本统计学习理论为基础发展起来的新的通用学习方法，有效地解决了小样本、高维数、非线性等传统的学习问题，大大地提高了学习方法的泛化能力。目前支持向量机在其理论研究和算法实现方面都取得了突破性的进展，进入了飞速发展的阶段，并取得了良好的效果。将其应用于高频并联振荡回路性能评价方法的讨论中，提出了基于SVM的评价方法[3-8]。

2 支持向量机
    支持向量机是在结构风险最小化的基础上，对两种不同类别的样本数据找到一个最优分类面的最优算法。支持向量机目前有两类主要的应用，即模式识别和回归分析。本文讨论的是分类识别问题，它属于模式识别一类。不失一般性，分类问题最终都可以归结为两类别的分类问题。这个问题的目标就是从已知样本中推出一个函数，对两类对象进行分类。现将下列给定训练集合的训练样本分离为两类：
 
 
练好的2级支持向量机，根据SVM1、SVM2的输出结果进行2级分类。只有通频带在规定的范围之内时，才可通过SVM1进入SVM2进行最后的性能评价，给出评价结果。
4 结果与分析
    本方法采用了通过PSA与ESA分析系统得到的30个通频带信息数据作为训练集，经过系统训练得到SVM1与SVM2。然后收集20个历史数据作为测试样本，其中12个合格(包括8个合格、4个不合格)和8个不合格。利用训练好的2个SVM对它们进行了2级识别，结果如下：

    通过对于测试结果的分析，2个支持向量机可以较优地对于高频并联振荡回路性能进行评价检测。
    支持向量机是一种有限样本条件下的通用学习方法，可以较好地解决小样本、高维数和非线性等实际问题。本文讨论了一种基于支持向量机的应用于特殊环境下的高频并联振荡回路性能优良的检测评价方法。该方法采用了2个支持向量机进行分类识别，并取得了很好的识别效果。这种基于SVM的振荡回路性能的识别方法对训练样本数的要求较低，实时性能好，可很好地应用于通信中的部分单元电路功能检测与评价，为通信品质提供了良好的保障，具有非常好的应用前景。本文还有待于深入研究，例如SVM核函数的选择以及最优算法等问题。
参考文献
[1] CRISTIANINI N, TAYLOR J S.支持向量机导论[M].李国正，王猛，曾华军，译.北京：电子工业出版社.2004.
[2] 邓乃扬，田英杰.数据挖掘中的新方法——支持向量机[M].北京：科学出版社.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/.