3．3 小波特征提取與BP神經(jīng)網(wǎng)絡(luò)的結(jié)合

　　（1）能量特征的提取。電路的電流信息進行5層小波分解，得到高頻小波分解系數(shù)及低頻小波分解系數(shù)向量（d5，…，d1，a5）。其中，高頻系數(shù)的提取在Matlab中用detcoef函數(shù)，而低頻系數(shù)提取足采用appcoef函數(shù)。再把各系數(shù)向量組合成能量特征向量：

　　F=（Ed5…Ed1，Ea5）

　　（2）確定BP神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)和參數(shù)。BP神經(jīng)網(wǎng)絡(luò)輸入神經(jīng)元個數(shù)由測試節(jié)點決定；隱層個數(shù)可通過“試湊法”和式（2）粗略地估計。

　　式中：m，n和l分別為隱層節(jié)點數(shù)、輸入節(jié)點數(shù)、輸出節(jié)點數(shù)；a為1～10之間不確定的數(shù)。

　　經(jīng)過反復(fù)試驗，本文的BP神經(jīng)網(wǎng)絡(luò)結(jié)果為6-7-4。

　　（3）訓(xùn)練BP神經(jīng)網(wǎng)絡(luò)。電路仿真時進行20次Monte Carlo分析產(chǎn)生20個樣本，其中10個為訓(xùn)練樣本．另外10個測試樣本。本文總共要進行4組訓(xùn)練。網(wǎng)絡(luò)訓(xùn)練誤差曲線如圖4所示。從圖中可以知道，網(wǎng)絡(luò)經(jīng)過4432步訓(xùn)練達到了目標誤差。

　　（4）對BP神經(jīng)網(wǎng)絡(luò)進行測試，以檢驗已訓(xùn)練的BP神經(jīng)網(wǎng)絡(luò)。結(jié)果如表3所示，本文的小波神經(jīng)網(wǎng)絡(luò)檢測率達到了95％。

　　4 結(jié)論及展望

　　傳統(tǒng)的故障診斷方法如故障字典、基于靈敏度的分析法、子網(wǎng)絡(luò)撕裂法等能解決一些測試和診斷。但是，隨著混合信號電路的廣泛應(yīng)用，高可靠性對故障診斷提出了更高的要求。通過本課題，首先知道了靜態(tài)電流測試和動態(tài)電流測試相結(jié)合，可以明顯提高混合電路的故障覆蓋率；其次，小波神經(jīng)網(wǎng)絡(luò)的結(jié)合對于故障的定位明顯優(yōu)于單一神經(jīng)網(wǎng)絡(luò)的方法。從最新的文獻資料中，也可以清晰地知道將兩種或多種故障診斷方法相結(jié)合已經(jīng)成為了混合電路故障診斷的一個發(fā)展趨勢。

　　雖然本課題提高了混合電路的故障診斷率，但是測試向量的生產(chǎn)、混合電路的統(tǒng)一建模、測試響應(yīng)的統(tǒng)一分析等對于混合電路故障診斷仍是一個嚴峻的挑戰(zhàn)。