模拟电路故障诊断中的特征信息提取

依然采用正态分布函数对数据进行归一化，归一化时，每种频率对应的正常状态下的特征值为a，其余故障模式按照对应的频率分别进行归一化，将上述数据经过同样的网络结构进行训练，神经网络采用L—M算法，网络经过101次训练达到目标。为与方法一和方法二比较，将归一化后的原始样本数据输入训练过的网络中，检查网络的故障识别率，判定阈值不变。输出结果如表6所示。

从表6可以看出，在所有的训练样本集中，只有4个样本在经过训练后无法识别，此时训练好的神经网络识别正确率为85％。说明此方法构造的样本集能更好的反映故障特征。将此方法与前面两种方法对比，在网络训练目标相同的前提下，对比故障识别正确率如表7所示。

4 结束语
通过比较可以发现，在神经网络训练目标相同的前提下，通过多测试点多特征信息构造出来的样本集所训练的神经网络对故障识别正确率高于前两种方法，这种多测试点多特征信息的诊断方法，在构造原始故障样本集上尽可能地覆盖更多的故障信息，使得故障特征能更好地反映故障模式，因此训练出来的神经网络的诊断能力更强，仿真结果表明，此方法在模拟电路的故障诊断中是可行的，提供了一种样本集的构造方法，对模拟电路的故障诊断有着一定的意义。