基于小波包分析和二叉樹支持向量機(jī)的模擬電路故障診斷學(xué)位論文

1、分類號 密 級 U D C 學(xué) 位 論 文 基于小波包分析和二叉樹支持向量機(jī)的模擬電路故障診斷 系統(tǒng)研究及實現(xiàn) 作 者 姓 名 ： 指 導(dǎo) 教 師 ： 東北大學(xué)信息科學(xué)與工程學(xué)院電子信息工程研究所 申請學(xué)位級別： 碩 士學(xué) 科 類 別 ： 工 學(xué) 學(xué)科專業(yè)名稱： 電工理論與新技術(shù) 論文提交日期：論文答辯日期： 學(xué)位授予日期：答辯委員會主席： 評 閱 人 ： A Thesis for the Degree of Master in Electrical Theory and New Technology Research and Realization of Fault Diagnosis Sy

2、stem of Analog Circuit Based on Wavelet Packet Analysis and Binary Tree Support Vector Machines by LiuLiu JunfangJunfang Supervisor : Professor Wang Anna Northeastern University January 2008 獨創(chuàng)性聲明 本人聲明所呈交的學(xué)位論文是在導(dǎo)師的指導(dǎo)下完成的。論文中取得的 研究成果除加以標(biāo)注和致謝的地方外，不包含其他人已經(jīng)發(fā)表或撰寫過的 研究成果，也不包括本人為獲得其他學(xué)位而使用過的材料。與我一同工作 的同志對本研

3、究所做的任何貢獻(xiàn)均已在論文中作了明確的說明并表示誠摯 的謝意。 學(xué)位論文作者簽名 ： 簽 字 日 期 ： 學(xué)位論文版權(quán)使用授權(quán)書 本學(xué)位論文作者和指導(dǎo)教師完全了解東北大學(xué)有關(guān)保留、使用學(xué)位論 文的規(guī)定：即學(xué)校有權(quán)保留并向國家有關(guān)部門或機(jī)構(gòu)送交論文的復(fù)印件和 磁盤，允許論文被查閱和借閱。本人同意東北大學(xué)可以將學(xué)位論文的全部 或部分內(nèi)容編入有關(guān)數(shù)據(jù)庫進(jìn)行檢索、交流。 (如作者和導(dǎo)師同意網(wǎng)上交流，請在下方簽名：否則視為不同意) 學(xué)位論文作者簽名 ： 導(dǎo) 師 簽 名 ： 簽 字 日 期 ： 簽 字 日 期 ： 畢業(yè)設(shè)計（論文）原創(chuàng)性聲明和使用授權(quán)說明畢業(yè)設(shè)計（論文）原創(chuàng)性聲明和使用授權(quán)說明 原創(chuàng)性聲明

4、原創(chuàng)性聲明 本人鄭重承諾：所呈交的畢業(yè)設(shè)計（論文） ，是我個人在指導(dǎo)教師的 指導(dǎo)下進(jìn)行的研究工作及取得的成果。盡我所知，除文中特別加以標(biāo)注和 致謝的地方外，不包含其他人或組織已經(jīng)發(fā)表或公布過的研究成果，也不 包含我為獲得 及其它教育機(jī)構(gòu)的學(xué)位或?qū)W歷而使用過的材料。 對本研究提供過幫助和做出過貢獻(xiàn)的個人或集體，均已在文中作了明確的 說明并表示了謝意。 作 者 簽 名： 日 期： 指導(dǎo)教師簽名： 日期： 使用授權(quán)說明使用授權(quán)說明 本人完全了解 大學(xué)關(guān)于收集、保存、使用畢業(yè)設(shè)計（論文） 的規(guī)定，即：按照學(xué)校要求提交畢業(yè)設(shè)計（論文）的印刷本和電子版本； 學(xué)校有權(quán)保存畢業(yè)設(shè)計（論文）的印刷本和電子版，并

5、提供目錄檢索與閱 覽服務(wù)；學(xué)校可以采用影印、縮印、數(shù)字化或其它復(fù)制手段保存論文；在 不以贏利為目的前提下，學(xué)?？梢怨颊撐牡牟糠只蛉績?nèi)容。 作者簽名： 日 期： 學(xué)位論文原創(chuàng)性聲明學(xué)位論文原創(chuàng)性聲明 本人鄭重聲明：所呈交的論文是本人在導(dǎo)師的指導(dǎo)下獨立進(jìn)行研究所 取得的研究成果。除了文中特別加以標(biāo)注引用的內(nèi)容外，本論文不包含任 何其他個人或集體已經(jīng)發(fā)表或撰寫的成果作品。對本文的研究做出重要貢 獻(xiàn)的個人和集體，均已在文中以明確方式標(biāo)明。本人完全意識到本聲明的 法律后果由本人承擔(dān)。 作者簽名： 日期： 年 月 日 學(xué)位論文版權(quán)使用授權(quán)書學(xué)位論文版權(quán)使用授權(quán)書 本學(xué)位論文作者完全了解學(xué)校有關(guān)保留、使

6、用學(xué)位論文的規(guī)定，同意 學(xué)校保留并向國家有關(guān)部門或機(jī)構(gòu)送交論文的復(fù)印件和電子版，允許論文 被查閱和借閱。本人授權(quán) 大學(xué)可以將本學(xué)位論文的全部或 部分內(nèi)容編入有關(guān)數(shù)據(jù)庫進(jìn)行檢索，可以采用影印、縮印或掃描等復(fù)制手 段保存和匯編本學(xué)位論文。 涉密論文按學(xué)校規(guī)定處理。 作者簽名：日期： 年 月 日 導(dǎo)師簽名： 日期： 年 月 日 基于小波包分析和二叉樹支持向量機(jī)的模擬電路故障診斷系統(tǒng)研 究及實現(xiàn) 摘 要 模擬電路的可靠性決定了電子設(shè)備系統(tǒng)的可靠性，模擬電路故障診斷具有極其重 要的現(xiàn)實意義，是電工電子領(lǐng)域的一個前沿研究課題。隨著模擬電路不斷向大型化、 集成化方向發(fā)展，電路的復(fù)雜性不斷提高，故障診斷的難度

7、也隨之增大，且一旦發(fā)生 故障，可能會造成人員和財產(chǎn)的巨大損失。因此，及時準(zhǔn)確地預(yù)測和檢測出電路故障， 既可以減少事故，保證系統(tǒng)平穩(wěn)可靠地運行，同時也可以降低生產(chǎn)成本。基于人工智 能的機(jī)器學(xué)習(xí)方法能夠構(gòu)造多類分類學(xué)習(xí)模型，進(jìn)行模擬電路故障診斷，是目前研究 的熱點之一。 本文以遼寧省自然科學(xué)基金項目“基于支持向量機(jī)電氣電子系統(tǒng)故障診斷及預(yù)測 新方法研究”為背景，研究了基于小波包分析和二叉樹支持向量機(jī)的模擬電路故障診 斷方法。 針對模擬電路往往有容差，而且不同節(jié)點的電壓或電流對不同故障敏感的特點， 利用 PSpice 特有的蒙特卡洛分析和最壞情況分析功能，對不同故障狀態(tài)的信號進(jìn)行采 集。 傳統(tǒng)的小波

8、變換(Wavelet Transform,WT)只對信號近似部分(低頻)作進(jìn)一步的分解， 小波包變換(Wavelet Packet Transform,WPT)則可以同時對近似部分和細(xì)節(jié)部分(高頻)進(jìn) 行分解，本文用小波包變換對電路故障信號進(jìn)行特征提取。研究了模擬電路輸出信號 頻率成分能量的變化情況和不同故障信號的對應(yīng)關(guān)系，將能量向量作為故障特征向量。 針對模擬電路不同故障的特點，提出了最優(yōu)小波包變換(Optimal Wavelet Packet Transform，OWPT)和不完全小波包變換 (Incomplete Wavelet Packet Transform，IWPT) 的信號特征提

9、取方法。實驗結(jié)果表明，最優(yōu)小波包變換適合于軟故障特征提取，不完 全小波包變換適合于硬故障特征提取。 最初的支持向量機(jī)(Support Vector Machines，SVM)算法是對兩類問題進(jìn)行分類， 但模擬電路故障分類大多屬于多類分類問題。針對目前常用的基于 SVM 一對多(1- versus-rest，1-V-r)、一對一(1-versus-1，1-V-1)和決策導(dǎo)向無環(huán)圖(Decision Directed Acyclic Graph，DDAG)等多類分類算法的不足，本文提出了四種基于分離性測度的二 叉樹 SVMs (Binary Tree Support Vector Machines

10、，BTSVMs)分類方法：偏二叉樹 SVMs (Slantwise Binary Tree Support Vector Machines, SBTSVMs)、隨機(jī)二叉樹 SVMs (Random Binary Tree Support Vector Machines, RBTSVMs)、完全二叉樹 SVMs (Complete Binary Tree Support Vector Machines, CBTSVMs)和自適應(yīng)二叉樹 SVMs (Adaptive Binary Tree Support Vector Machines, ABTASVMs)。所做的模擬電路故障診斷 仿真實驗表明，

11、本文提出的基于改進(jìn)二叉樹 SVMs 多類分類算法是可行的，有效地提 高了故障診斷準(zhǔn)確率和速度。 基于 Matlab7.04 平臺，開發(fā)了模擬電路故障診斷系統(tǒng)，系統(tǒng)設(shè)計了故障診斷的各 個模塊，實現(xiàn)了基于改進(jìn) BTSVMs 算法的模擬電路故障診斷。 關(guān)鍵詞：模擬電路；故障診斷；小波包；支持向量機(jī)；二叉樹；多類分類 Research and Realization of Fault Diagnosis System of Analog Circuit Based on Wavelet Packet Analysis and Binary Tree Support Vector Machines Ab

12、stract The reliability of electrical systems depends on that of analog circuits, analog circuits fault diagnosis research is significant and is a forefront subject in the electronic area. With the manufacture of modern circuits becoming large-scale and integrated, circuits become more and more compl

13、ex, the complexity of fault diagnosis increases. Once fault occurs, it might cause large casualties and serious economic losses. Therefore, if fault could be detected and diagnosed in time and accurately, the possibility of accident occurring will be reduced, the systems could run stably and safely

14、and the cost of process management also falls. The fault diagnosis methods based on artificial intelligence and machine learning could construct multi- classification learning models and make fault diagnosis, which is a hot research subject. Based on the Liaoning province nature science fund project

15、 New methods based on support vector machine study for fault diagnosis and forecast of electric and electron system, the thesis researches fault diagnosis method of analog circuit based on wavelet packet analysis and binary tree support vector machines. Because analog circuits are usually with toler

16、ances and the voltage and current of different nodes are sensitive to different fault components, the Monte carlo analysis and the Worst case analysis special functions of PSpice are used to collect different fault information. The orthodox wavelet transform (WT) only splits low frequency bands, but

17、 wavelet packet transform (WPT) can split low frequency bands and high frequency bands synchronously, so wavelet packet transform is used for fault feature extraction. Then corresponding relation between energy of each frequency bands and different fault information is studied, energy features are c

18、ollected as fault samples features. To traits of different faults of analog circuit, two improved methods of feature extraction based on WPT are presented: optimal wavelet packet transforms (OWPT) and incomplete wavelet packet transforms (IWPT). Simulations results show that OWPT method is effective

19、 for feature extraction of soft fault diagnosis, and IWPT is effective for feature extraction of hard fault diagnosis. That support vector machine (SVM) is originally designed for two-class classification, but pattern classification question belongs to multi-classification. Aiming at shorts of sever

20、al common multi-classification methods based on SVMs: 1-versus-rest (1-V-r), 1-versus-1 (1-V- 1) and decision directed acyclic graph (DDAG), four binary-tree support vector machines (BTSVMs)multi-classification methods are proposed in this paper: slantwise binary tree support vector machines (SBTSVM

21、s), Random binary tree support vector machines (RBTSVMs), completed binary tree support vector machines (CBTSVMs) and adaptive binary tree support vector machines (ABTSVMs). Simulation results show that BTSVMs multi-classifiers are feasible to solve fault diagnosis problem, and obtain high classific

22、ation precision and speed. With MATLAB 7.04 platform, fault diagnosis system of analog circuits is developed. Several modules of fault diagnosis system are designed and the improved BTSVMs algorithms are realized. Keywords: Analog Circuit; Fault Diagnosis; Wavelet Packet; Support Vector Machine; Bin

23、ary Tree; Multi-classification 目 錄 獨創(chuàng)性聲明.I 摘 要.II ABSTRACT .IV 第一章 緒 論.1 1.1 課題研究背景及意義.1 1.2 模擬電路故障診斷技術(shù)的發(fā)展及研究現(xiàn)狀.2 1.3 模擬電路故障診斷方法分類.3 1.4 課題研究所做的主要工作.5 第二章 模擬電路故障診斷.7 2.1 模擬電路故障診斷的基本概念.7 2.2 常用的模擬電路故障診斷方法.8 2.2.1 測前模擬方法.8 2.2.2 測后模擬法.8 2.2.3 逼近法和人工智能.9 2.3 模擬電路故障診斷的模式識別過程.10 2.4 本章小結(jié).12 第三章 電路仿真工具PSP

24、ICE 的分析及應(yīng)用 .13 3.1 PSpice 的發(fā)展 .13 3.2 PSpice 的內(nèi)容 .14 3.3 PSpice 的功能介紹和應(yīng)用分析 .15 3.3.1 PSpice 的編程技術(shù) .15 3.3.2 PSpice 的特殊分析方法 .16 3.4 本章小結(jié).18 第四章 小波包分析理論及基于小波包分析的信號特征提取方法.19 4.1 小波變換的優(yōu)點.19 4.2 一維連續(xù)小波變換理論.20 4.3 小波函數(shù)的選擇.21 4.4 小波包理論.23 4.4.1 小波包定義.23 4.4.2 小波包性質(zhì).24 4.4.3 小波包的空間分解.25 4.4.4 小波包算法.26 4.5 基

25、于小波包變換的信號特征提取方法.26 4.5.1 最優(yōu)小波包特征提取方法.28 4.5.2 不完全小波包特征提取方法.29 4.6 本章小結(jié).30 第五章 基于神經(jīng)網(wǎng)絡(luò)和支持向量機(jī)的多類分類方法.31 5.1 BP 神經(jīng)網(wǎng)絡(luò)的基本算法.31 5.2 統(tǒng)計學(xué)習(xí)理論.33 5.3 支持向量機(jī)原理.33 5.4 支持向量機(jī)優(yōu)化算法.35 5.5 多類分類算法.37 5.5.1 一對多分類算法.37 5.5.2 一對一分類算法.37 5.5.3 DDAG 分類算法.38 5.6 本章小結(jié).38 第六章 改進(jìn)的二叉樹支持向量機(jī)多類分類算法.39 6.1 二叉樹支持向量機(jī).39 6.2 分離性測度.41

26、6.3 四種改進(jìn)的基于分離性測度的二叉樹 SVMs 分類方法.42 6.3.1 偏二叉樹 SVMs 分類方法.43 6.3.2 自適應(yīng)二叉樹 SVMs 分類方法.43 6.3.3 完全二叉樹 SVMs 分類方法.44 6.3.4 隨機(jī)二叉樹 SVMs 分類方法.44 6.4 本章小結(jié).44 第七章 模擬電路故障診斷仿真分析和系統(tǒng)設(shè)計實現(xiàn).45 7.1 改進(jìn)的特征提取方法應(yīng)用舉例 1.45 7.1.1 診斷電路.45 7.1.2 故障信號采集.46 7.1.3 用小波變換提取故障特征.49 7.1.4 用不完全小波包變換提取故障特征.50 7.1.5 用最優(yōu)小波包變換提取故障特征.52 7.1.

27、6 仿真結(jié)果與分析.53 7.2 改進(jìn)的特征提取方法應(yīng)用舉例 2.54 7.3 改進(jìn)的 SVMs 多類分類方法應(yīng)用舉例 1.55 7.3.1 診斷電路.55 7.3.2 故障信號采集.56 7.3.3 故障特征提取.56 7.3.4 仿真結(jié)果與分析.57 7.3.5 核函數(shù)選擇.58 7.4 改進(jìn)的 SVMs 多類分類方法應(yīng)用舉例 2.59 7.5 基于改進(jìn)算法的電路故障診斷系統(tǒng)設(shè)計及實現(xiàn).60 7.6 本章小結(jié).64 第八章 結(jié)論與展望.65 8.1 結(jié)論.65 8.2 展望.65 參考文獻(xiàn).67 致 謝.71 攻讀碩士期間參加的科研工作.73 攻讀碩士期間發(fā)表的論文及獲獎情況.75 第一章

28、 緒 論 隨著模擬電子電路 VLSI 的崛起和數(shù)字/模擬混合電路的普遍使用，對模擬系統(tǒng)的 測試和診斷提出了急迫的需求和更高的要求。 1.1 課題研究背景及意義 隨著電子工業(yè)的發(fā)展，電子設(shè)備的復(fù)雜性越來越高，據(jù)美國的資料顯示，即使系 統(tǒng)中 80%的電路板是數(shù)字電路，但 80%的故障卻出在模擬電路。對這些設(shè)備的維修和 保養(yǎng)所投入的經(jīng)費已超過了原先購置這些設(shè)備的投資。因此在工業(yè)部門，尤其是軍工 和航天工業(yè)部門，對這種復(fù)雜設(shè)備的維修提出了十分迫切的要求，需要組建自動測試 系統(tǒng)(ATE)，增加故障診斷和故障預(yù)報的設(shè)備，以減輕維修人員的壓力，降低維修和保 養(yǎng)的費用。模擬電路的故障診斷于 60 年代首次在軍

29、事工業(yè)上開始研究，至今無論在理 論方法上還是在具體實現(xiàn)上均未完全成熟，一直是困擾著集成電路工業(yè)中的一個“瓶 頸”問題，因此，模擬電路測試和故障診斷方法研究至關(guān)重要。 與數(shù)字電路相比，模擬電路診斷原理與方法研究的進(jìn)展緩慢，主要是由于以下原 因： (1) 時間和電壓的連續(xù)特性使得模擬電路比數(shù)字電路更易受缺陷的影響。區(qū)分故障 情況和無故障情況需要多種測試方法； (2) 電路中的元件參數(shù)具有很大的離散性，即具有容差，是實施正確診斷的最大困 難； (3) 電路中廣泛存在非線性問題和反饋回路，增加了故障診斷難度； (4) 電路中輸入和輸出間的關(guān)系復(fù)雜并且難于模型化。在數(shù)字電路測試中得到成功 應(yīng)用的故障模型

30、并不適用于模擬電路測試。模擬電路測試至今尚缺乏有效與通用的故 障模型； (5) 實際的模擬電路中可測電壓的節(jié)點數(shù)目有限，導(dǎo)致可用于故障診斷的信息量不 充分，造成故障定位的不確定性和模糊性； (6) 設(shè)備的輸入激勵信號的精度對測試結(jié)果的影響至關(guān)重要； (7) 模擬電路對環(huán)境變化極其敏感，其輸出響應(yīng)不僅易受由制造工藝偏差所引起的 元件參數(shù)變化的影響，而且易受噪聲和熱效應(yīng)等外界環(huán)境因數(shù)的影響； (8) 由于需要采用不同的方法來測試電路的多種性能參數(shù)，因此模擬電路功能測試 比較昂貴和費時。此外，測試過程中所需的額外硬件開銷較大1。 隨著國民經(jīng)濟(jì)的迅速發(fā)展，人們對電子設(shè)備的故障有了更新的認(rèn)識，為了避免或

31、 盡量減少由故障引起的經(jīng)濟(jì)損失以及對人體造成的傷亡等。對電子設(shè)備故障診斷技術(shù) 的研究已經(jīng)引起各個國家的足夠重視，因此，電子設(shè)備故障診斷技術(shù)已成為世界范圍 內(nèi)的一個研究熱點。隨時檢測電子設(shè)備的狀態(tài)、及早發(fā)現(xiàn)并排電子設(shè)備可能存在的故 障，成為保障電子系統(tǒng)可靠性的重要手段之一，是電子系統(tǒng)中一項具有重大理論和實 用價值的課題。 模擬電路廣泛應(yīng)用于軍工、航天、通訊、自動控制、測量儀表、家用電器等各個 方 面，現(xiàn)在模擬集成電路已迅速地發(fā)展。隨著復(fù)雜度和密集度不斷地增長對模擬電路運 行 可靠性的要求也日益重要，尤其在軍工、航天等部門，對電子設(shè)備運行可靠性的要求 更 為嚴(yán)格。在模擬電路發(fā)生故障后，要求能及時將

32、故障診斷出來，以便檢修、調(diào)試、切 換。 就模擬電路生產(chǎn)工廠而言，也要求能診斷出故障，以便分析原因，改進(jìn)工藝，以提高 成 品合格率。由于以上原因，模擬電路故障診斷的研究引起了人們高度的重視，從 70 年 代后期起，世界各國許多電路理論工作者積極投入了這一領(lǐng)域的研究，提出了各種不 同 的故障診斷原理和辦法。 近年來，模擬電路故障診斷之所以發(fā)展成為個新興的前沿領(lǐng)域，除了它具有上 述 的重要實際應(yīng)用意義外，還由于它具有重要的學(xué)術(shù)意義2。傳統(tǒng)的電路理論包括電路分 析和電路綜合兩個分支，已知電路的拓?fù)浣Y(jié)構(gòu)和參數(shù)，由電路激勵求電路響應(yīng)屬于電 路分析的范疇；反之，己知電路的輸入輸出關(guān)系，求電路的拓?fù)浣Y(jié)構(gòu)和參數(shù)

33、，屬于電 路綜合的范疇。而模擬電路故障診斷所研究的內(nèi)容則是當(dāng)電路的拓?fù)浣Y(jié)構(gòu)已知，并在 一定的電路激勵下知道一部分電路的響應(yīng)，求電路的參數(shù)，這是不同于電路分析和電 路綜合的個新范疇，所以它是近代電路理論中一個新興的第三分支3。開展這一領(lǐng)域 的研究，對促進(jìn)近代電路理論的發(fā)展特有其重要的推動作用。 1.2 模擬電路故障診斷技術(shù)的發(fā)展及研究現(xiàn)狀 模擬電路故障診斷的主要任務(wù)就是在已知網(wǎng)絡(luò)的拓?fù)浣Y(jié)構(gòu)、輸入激勵信號和響應(yīng) 時，求解故障元件的物理位置和參數(shù)。要求求解的結(jié)果是唯一的，但有時卻不能保證， 其故障診斷理論的研究是從網(wǎng)絡(luò)元件參數(shù)可解性開始的。1960 年 R.S.Berkowitz 首先 提出了關(guān)于模

34、擬電路診斷的可解性概念4，指出，一個網(wǎng)絡(luò)稱為元件值可解的，當(dāng)且僅 當(dāng)它的每個元件能夠從其外部端子上測得的網(wǎng)絡(luò)特性唯一地加以確定，并提出了無源、 線性、集總參數(shù)網(wǎng)絡(luò)的網(wǎng)絡(luò)元件值可解性的必要條件。以此拉開了模擬電路故障診斷 理論研究的序幕。 從 20 世紀(jì) 70 年代起，世界各國的學(xué)者發(fā)表了許多有關(guān)模擬電路故障診斷方面 的本文提出了各種不同的原理和方法5，并在 1979 年達(dá)到了一個高峰，奠定了模擬電 路故障診斷的理論基礎(chǔ)。國際電于電氣工程師協(xié)會電路與系統(tǒng)學(xué)報(IEEE Trans.On CAS)為 此置辦了模擬電路故障診斷特刊，以后，每年電路與系統(tǒng)國際會議都將故障診斷列為 一項專題，每年在模擬電

35、路故障診斷領(lǐng)域的研究中都有一些新的進(jìn)展6-8。 1979 年后，模擬電路故障診斷研究主要朝著更實用化的多故障診斷方向發(fā)展，因 為任意故障診斷方法要求較多的測點，并導(dǎo)致較大的計算量而難以實用化。 1985 年 Bandler J. W9,10在 IEEE 上發(fā)表了題為模擬電路故障診斷的特邀文章， 對到當(dāng)時為止的模擬電路故障診斷的理論作了全面總結(jié)。我國對模擬電路故障診斷理 論的研究起步較晚，約到 70 年代末才被較多地引起重視，以后的發(fā)展比較快，主要 從多故障法和字典法開始起步，主流仍然是研究多故障診斷的方法。從事這方面工作 的除了高等院校外，還有科研單位，軍事單位等部門。已發(fā)表的主要成果有：凌曼

36、亭 在有限故障數(shù)目預(yù)測11和非線性電路故障理論12方面的成果；林爭輝在故障診斷中提 出了故障激勵理論13；熊秉焜提出了塊限網(wǎng)絡(luò)和故障信息正則向量的概念14；趙國南 的集成電路在線診斷15；唐人亨在優(yōu)化方法方面的研究成果16；以及其他人的研究工 作成果17,18。 90 年代以后，人們對故障診斷理論的研究更加深入，各種方法相互滲透和融合， 理論應(yīng)用的領(lǐng)域也有了很大的擴(kuò)展。參數(shù)估計和觀測器/濾波器方法仍然是使用最多的 故障診斷方法，但使用神經(jīng)網(wǎng)絡(luò)、模糊邏輯及組合的故障診斷方法明顯的增加，對于 非線性系統(tǒng)的故障診斷也有了更多得研究。 隨著人工智能技術(shù)的迅速發(fā)展，特別是知識工程、專家系統(tǒng)、人工神經(jīng)網(wǎng)絡(luò)

37、、支 持向量機(jī)在診斷領(lǐng)域中的進(jìn)一步應(yīng)用，迫使人們對智能診斷問題進(jìn)行更加深入與系統(tǒng) 的研究。智能診斷技術(shù)是當(dāng)今發(fā)達(dá)國家研究的熱點之一。智能故障診斷方法包括模糊 診斷方法、專家系統(tǒng)診斷方法、神經(jīng)網(wǎng)絡(luò)診斷方法、混合智能的診斷方法和支持向量 機(jī)診斷方法等3,4。 1.3 模擬電路故障診斷方法分類 目前，有關(guān)模擬電路故障診斷原理和方法的學(xué)術(shù)論文里，根據(jù)不同的原理，提出 了許多故障診斷方法，下面對這些方法從不同的角度加以分類5。 (1) 按模擬在測試過程的階段可分為：如果對電路的仿真是在現(xiàn)場測試之前實施， 則稱為測前模擬法(Simulation Before Test Approach)，如果對電路的仿真

38、是在現(xiàn)場測試 之后實施，則稱為測后模擬法(Simulation After Test Approach)。故障診斷的主要計算工 作量多集中在對電路做仿真，因此測前(后)模擬法的工作量集中在現(xiàn)場測試之前(后)。 顯而易見，測前模擬法更容易做實時故障診斷。 (2) 按目的可分為：故障檢測法、故障定位法和故障識別法。 (3) 按模擬形式可分為：故障模擬法和元件模擬法。 (4) 按電路性質(zhì)可分為：線性電路診斷法和非線性電路診斷法、動態(tài)電路故障和電 阻電路故障診斷法、有源電路故障診斷和無源電路故障診斷法等。 (5) 按所用的數(shù)學(xué)方法可分為：確實法和概率法。 (6) 按激勵信號類型可分為：工作信號法和仿真

39、信號法，單測試信號法和多測試信 號法，以及單頻信號法和多頻信號法。 (7) 按所測量的響應(yīng)可分為：直流法和交流法、暫態(tài)法和穩(wěn)態(tài)法、電流法和電壓法。 (8) 模擬電路故障診斷最基本的方法分為故障字典(Fault Dictionary)法和故障分析 法。故障字典法涉及到產(chǎn)生使元件故障與電壓標(biāo)志相對應(yīng)的表格，以便在對故障電路 進(jìn)行測試后，按所測激勵和響應(yīng)從上述表格中查詢出相應(yīng)的故障元件。 故障字典法是測前模擬診斷的典型方法。故障字典法一般用于單、硬故障的診斷， 包括直流字典法、頻域字典法、時域字典法6-8。無論何種字典法，基本步驟均為： (1) 根據(jù)以往經(jīng)驗和實際需要，明確故障的診斷范圍，把最常遇到

40、的一些故障作為 一本字典的診斷范圍； (2) 辨明各種故障的征兆(為了找出征兆，通常用國際上比較公認(rèn)的 PSpice 軟件模 擬計算電路在各種故障狀態(tài)下的網(wǎng)絡(luò)端口特征)，再按便于查找、檢索故障的某種方式 進(jìn)行編排，形成故障字典； (3) 診斷時，將電路在同等條件下測試，將測試所得的網(wǎng)絡(luò)端口特征與故障字典對 照，找到故障所在。 模擬電路故障診斷 測后模擬法測前模擬法 參數(shù)識別技術(shù)故障證實技術(shù) 多 頻 測 量 法 概 率 統(tǒng) 計 法 故 障 字 典 法 網(wǎng) 絡(luò) 撕 裂 法 故 障 定 界 診 斷 法 K 故 障 診 斷 法 參 數(shù) 估 計 法 轉(zhuǎn) 移 導(dǎo) 納 參 數(shù) 法 圖 1.1 模擬電路故障診

41、斷方法分類圖 Fig.1.1 The method classification diagram of analogy circuits 測后模擬法的典型方法主要有元件參數(shù)識別法和故障驗證法7。前者又稱故障分析 法，故障分析法通過線性電路的方程組把激勵和響應(yīng)與電路元件參數(shù)聯(lián)系起來，以便 計算出元件參數(shù)值，如果元件參數(shù)值的偏移超出允許的容差范圍，則就判斷該元件發(fā) 生故障。后者則需要預(yù)先猜測電路中的故障所在，然后根據(jù)所測數(shù)據(jù)去驗證這種猜測 是否吻合，若吻合，則診斷完成。根據(jù)預(yù)測故障的范圍，故障驗證法可分為故障法、 故障定界法和網(wǎng)絡(luò)撕裂法等。故障驗證法較之元件參數(shù)識別法，所需的故障信息少， 但對電路

42、的可測試性要求較高。 測后模擬法還有估計法，包括最小平方判據(jù)法、二次規(guī)范法、L1 范數(shù)法、符號傳 遞函數(shù)法等，圖 1.1 為模擬電路故障診斷方法分類圖。 1.4 課題研究所做的主要工作 模擬電路故障診斷的核心是綜合實時輸出響應(yīng)信號，對給定環(huán)境下的診斷對象進(jìn) 行準(zhǔn)確的狀態(tài)識別和狀態(tài)預(yù)測。故障診斷系統(tǒng)由三個子模塊組成：故障信號采集、故 障信號特征提取和多類模式分類。目前，智能故障診斷理論和方法的研究雖然取得了 較大的成就，但由于機(jī)器學(xué)習(xí)瓶頸問題的制約，對于不確定、隨機(jī)性強(qiáng)而且知識信息 不完備的診斷對象，很難具有較高的智能性。本文針對電路故障診斷中特征參數(shù)提取、 多類分類等重點問題進(jìn)行了研究。主要研

43、究內(nèi)容為： (1) 采集故障信號 使用 PSpice9.2 對測試電路進(jìn)行仿真模擬，利用其特有的蒙特卡洛分析和靈敏度分 析功能，提取了測試電路對應(yīng)故障模式下輸出響應(yīng)曲線作為故障信號待處理樣本。 (2) 小波包分析理論 因為不同狀態(tài)的故障信號發(fā)生時對應(yīng)不同的輸出響應(yīng)，而模擬電路輸出響應(yīng)為連 續(xù)的量，所以需要對故障信號進(jìn)行特征提取，使處理之后的信號能與不同的故障一一 對應(yīng)。傳統(tǒng)的小波變換和多分辨率分析對信號近似部分(低頻)做進(jìn)一步的分解，小波包 變換則可以同時對近似部分和細(xì)節(jié)部分(高頻)進(jìn)行分解，本文系統(tǒng)研究了利用小波包分 析對信號進(jìn)行特征提取的原理與方法，針對模擬電路信號信息的不同特征，提出了兩

44、 種改進(jìn)的基于小波包分析的信號處理方法：不完全小波包信號特征提取方法和最優(yōu)小 波包信號特征提取方法。 (3) 支持向量機(jī)原理 本文研究了經(jīng)驗風(fēng)險最小化原則和結(jié)構(gòu)風(fēng)險最小化原則、統(tǒng)計學(xué)習(xí)理論的理論框 架和支持向量機(jī)的原理與方法。對不同參數(shù)優(yōu)化的支持向量機(jī)進(jìn)行了研究，分析了改 善支持向量機(jī)性能的方法。 (4) 支持向量機(jī)多類分類算法 支持向量機(jī)算法最初是基于兩類問題提出的，而實際應(yīng)用中的診斷類別往往是多 類的，因此，如何設(shè)計合適的多類算法，提高識別準(zhǔn)確率是本文的一個重點研究內(nèi)容， 本文對 1-V-r、1-V-1 和 DDAG 等支持向量機(jī)多類分類方法分別進(jìn)行了分析與仿真，總 結(jié)出較好的多類分類算法

45、，應(yīng)用于模擬電路故障診斷。 (5) 基于小波包的特征提取方法 針對模擬電路的軟故障和硬故障，分別采用不同的小波包變換特征提取方法，仿 真實驗證明了不完全小波包變換適合于硬故障特征提取，最優(yōu)小波包變換則適合于軟 故障特征提取。 (6) 支持向量機(jī)改進(jìn)算法 針對以往支持向量機(jī)多類分類算法的優(yōu)缺點，結(jié)合模擬電路故障診斷對實時性和 分類精度的特定要求，提出了四種適合模擬電路實時在線故障診斷的新算法基于 數(shù)據(jù)分離性測度的改進(jìn)二叉樹支持向量及多類分類算法：偏二叉樹、隨機(jī)二叉樹、完 全二叉樹和自適應(yīng)二叉樹支持向量機(jī)多類分類算法。通過對不同的模擬電路仿真研究， 證明了改進(jìn)的二叉樹支持向量機(jī)的分類性能均比傳統(tǒng)的

46、支持向量機(jī)分類性能好，而且 針對不同的性能要求應(yīng)該選用不同的分類方法。 (7) 系統(tǒng)設(shè)計及實現(xiàn) 基于 Matlab7.04 開發(fā)平臺，開發(fā)了模擬電路故障診斷系統(tǒng)，系統(tǒng)設(shè)計了故障診斷 的各個模塊，實現(xiàn)了基于改進(jìn) SVM 算法的模擬電路故障診斷。 第二章 模擬電路故障診斷 2.1 模擬電路故障診斷的基本概念 模擬電路發(fā)生了故障，就不能達(dá)到設(shè)計時所規(guī)定的功能和指標(biāo)。電路產(chǎn)生故障的 原因有很多，但通常來自設(shè)計、制造和使用等三個階段。設(shè)計不當(dāng)、制造工藝上的缺 陷和長期使用過程中的磨損、老化、損耗、疲勞等都是造成故障的原因14,15。 模擬電路中的故障從所造成的故障程度可區(qū)分為硬故障和軟故障。 (1)硬故

47、障：指元件的開路和短路失效故障，即故障元件的參數(shù)突然發(fā)生大的變化。 (2)軟故障：指元件參數(shù)超出預(yù)定的容差范圍，通常情況下，設(shè)備沒有完全失效。 從故障電路中的同時故障數(shù)區(qū)分，可分為單故障和多故障。 (1)單故障：即電路中只有一個元件發(fā)生故障。 (2)多故障：即電路中同時有兩個或以上的元件發(fā)生故障。 從故障電路中不同故障的關(guān)系來區(qū)分，可分為獨立故障和從屬故障。 (1)獨立故障：即電路中兩個或多個元件發(fā)生故障時，彼此不存在因果關(guān)系。 (2)從屬故障：即一個元件發(fā)生故障后，導(dǎo)致另一個元件發(fā)生故障，這個被誘發(fā)的 故障稱為從屬故障。 從故障在電路中隨時間的表現(xiàn)形式來看，可分為永久性故障和間歇性故障。 (

48、1)永久性故障：即故障不能自動恢復(fù)原狀，例如開路、短路等。 (2)間歇性故障：這種故障只是暫時發(fā)生，時有時無，例如接觸不良等。 為了診斷模擬電路中的故障，需要進(jìn)行故障測試。故障測試可分為在線測試和離 線測試。 (1)在線測試：測試時不中斷被測電路的正常運行。 (2)離線測試：測試時中斷被測電路的正常運行。 在故障測試時，需要有一定的測試信號。測試信號可用于原來的工作信號，但在 一般情況下，往往需要另加測試信號，如直流信號、不同頻率的交流信號、諧波信號、 復(fù)雜信號、噪音信號等。 故障測試需有一定的測試點，被測電路節(jié)點可分為可及節(jié)點和不可及節(jié)點16。 (1)可及節(jié)點：即可加入測試信號及測出電路響應(yīng)

49、的節(jié)點。 (2)不可及節(jié)點：即不可測量的節(jié)點。 (3)半可及節(jié)點：即該節(jié)點上可加以電壓激勵并能測量電壓值，但不能加以電流激 勵及測量電流值。 根據(jù)對模擬電路故障診斷要求的高低，可分為故障檢測、故障定位和故障識別。 (1)故障檢測：判斷被測電路是否存在故障，這是故障診斷的最低要求。 (2)故障識別：要求確定故障電路中故障元件的參數(shù)值，是故障診斷的最高要求。 故障定位：要求確定電路中的故障元件范圍，范圍可為一子電路元件區(qū)域及元件， 它對故障診斷的要求介于故障檢測及故障識別之間。 2.2 常用的模擬電路故障診斷方法 隨著自然科學(xué)的發(fā)展，對于企業(yè)生產(chǎn)的不同環(huán)節(jié)產(chǎn)生了測前模擬方法、測后模擬 方法和逼近法

50、及人工智能方法。 2.2.1 測前模擬方法 測前模擬診斷分為故障字典法和似然法。其中，故障字典法是最典型的方法，也 是目前模擬電路故障診斷中最具有實用價值的方法。它的基本思想是:首先提取電路(系 統(tǒng))在各種故障狀態(tài)下的電路特征(如測試點的直流電位向量、網(wǎng)絡(luò)的幅頻特性等)，然 后將特征與故障的一一對應(yīng)關(guān)系列成一個字典。在實際診斷時，只要獲取電路(系統(tǒng))的 實時特征，就可以從故障字典中查出此時對應(yīng)的故障。目前，已有不少比較成熟的軟 件包可對電路(線性或非線性電路)進(jìn)行靜態(tài)和動態(tài)分析17,18。因此，字典法不僅對線性 電路適用，對非線性電路也適用。但是，考慮到測前模擬的現(xiàn)實工作量和字典容量的 限度，

51、以及實際電路的容差、噪聲，字典法只作硬故障的診斷，對于少量軟故障也是 轉(zhuǎn)化成硬故障的形式處理，而且在實際使用中只用來解決單故障。 2.2.2 測后模擬法 測后模擬診斷的典型方法主要有元件參數(shù)辨識法和故障驗證法。前者要求提供較 多的診斷用信息，在取得足夠的獨立數(shù)據(jù)后，根據(jù)網(wǎng)絡(luò)的結(jié)構(gòu)，估計或求解網(wǎng)絡(luò)中每 個元件的參數(shù)。它包括 CCM 多頻法和伴隨網(wǎng)絡(luò)法。由于一般網(wǎng)絡(luò)所包含的元件(模塊)數(shù) 較大，且方程多為非線性方程，所以，求解這些方程是很艱巨的工作。此外，由于這 些工作都是測試后進(jìn)行的，實時性很差。雖然現(xiàn)在已有一些成熟的方法將其中的非線 性方程轉(zhuǎn)換成線性方程，但由于同時增加了許多中間變量，方程個數(shù)

52、也有相應(yīng)的增加， 所以，總的計算量仍是可觀的。 故障驗證法是在獲取少量故障信息的基礎(chǔ)上進(jìn)行診斷，實施較為方便，且具有較 好的實用前景，因此引起許多學(xué)者的興趣，所取得的研究成果也比較多。它的基本思 想是預(yù)先猜測電路中的故障所在，然后根據(jù)所測數(shù)據(jù)去驗證這個猜測是否正確。由于 電路中總的故障種數(shù)較大，而各種故障的組合數(shù)則更大，因此，這種“猜測”的次數(shù) 很多，且計算量非常大。對這種方法的研究主要集中在如何減少猜測次數(shù)，以及減少 對每次猜測進(jìn)行驗證所需要的工作量。此種方法包括 K 故障診斷、故障定界診斷和網(wǎng) 絡(luò)撕裂法等。在進(jìn)行故障診斷時，應(yīng)滿足各自的可測性條件，即被測網(wǎng)絡(luò)的拓?fù)浣Y(jié)構(gòu) 應(yīng)滿足一定的約束條件

53、，施加的獨立激勵向量應(yīng)有足夠的數(shù)量，可及點(可測電壓的節(jié) 點)數(shù)至少大于故障數(shù)，而且應(yīng)該獨立。否則，會出現(xiàn)誤診斷或不能診斷出故障等情況。 值得一提的是，K 故障診斷法從理論上講可以進(jìn)行多故障的診斷。但是，在實際中， 受網(wǎng)絡(luò)拓?fù)浣Y(jié)構(gòu)的約束，只能進(jìn)行單故障的診斷。 2.2.3 逼近法和人工智能 逼近法和人工智能(AI)兩種方法都介于測前模擬診斷和測后模擬診斷之間。 逼近法包括測前模擬中的概率統(tǒng)計方法和測后模擬中優(yōu)化方法。優(yōu)化法用于軟故 障診斷，其思想是:采用適當(dāng)?shù)哪繕?biāo)函數(shù)，估計出最可能出現(xiàn)故障的元件。根據(jù)選定目 標(biāo)函數(shù)的不同，有不同的方法，其中有采用最小平方準(zhǔn)則的聯(lián)合判別法和迭代法，采 用加權(quán)平方

54、的 L2 近似法，采用范數(shù)最小準(zhǔn)則的準(zhǔn)逆法，L1 近似法和二次規(guī)劃法等， 雖然這些方法大多數(shù)能用來診斷多故障，但存在在線計算量大等缺點。 人工智能方法在某些程度上類似于信號處理方法，但它克服了信號處理的很多缺 點，不依賴于數(shù)學(xué)模型，判斷的依據(jù)主要是以往故障的診斷經(jīng)驗，轉(zhuǎn)化為計算機(jī)能夠 識別的信息，來對未知故障進(jìn)行實時監(jiān)控診斷10,11。 專家系統(tǒng)就是其中一個主要的應(yīng)用。專家系統(tǒng)包括測前模擬診斷中的故障特性的 收集和處理過程，以及測后模擬中的故障推理搜索等過程。該方法具有效率高等特點， 同時，為那些運用網(wǎng)絡(luò)理論難以診斷的場合開辟了一條新路徑。該方法不依賴于系統(tǒng) 的數(shù)學(xué)模型，而是根據(jù)人們長期的實踐

55、經(jīng)驗和大量的故障信息知識，設(shè)計出一套智能 計算機(jī)程序，以此來解決復(fù)雜系統(tǒng)的故障診斷問題。根據(jù)領(lǐng)域?qū)＜业闹R和長期實踐 的經(jīng)驗總結(jié)，把自然語言轉(zhuǎn)化成計算機(jī)理解的機(jī)器語言，如產(chǎn)生式規(guī)則、框架表示和 邏輯表示等，診斷模型一般由數(shù)據(jù)庫、知識庫、推理機(jī)和人機(jī)接口組成。系統(tǒng)將傳感 器等監(jiān)控設(shè)備傳來的信息與知識庫中故障征兆對比，做出評價和決策。雖然這種方法 已經(jīng)廣泛應(yīng)用于工業(yè)生產(chǎn)，但實踐表明它的判斷準(zhǔn)確率最高僅可以達(dá)到 9112，診斷 結(jié)果往往還需要技術(shù)員的最終確認(rèn)，并不是特別理想。造成診斷結(jié)果不理想的主要原 因是專家系統(tǒng)存在知識獲取的“瓶頸”問題，由于專家知識的規(guī)則化有一定難度，加上 系統(tǒng)的設(shè)計人員對知識

56、的理解有一定的偏差，導(dǎo)致知識庫的建立并不完備，系統(tǒng)本身 采取串行方式，推理方法簡單，控制策略不靈活，缺乏自學(xué)習(xí)能力，最終導(dǎo)致判斷速 度慢和不準(zhǔn)確。在此基礎(chǔ)上產(chǎn)生的模糊邏輯故障診斷方法增加了函數(shù)隸屬度的概念， 將判斷界限模糊化，使推理更符合實際，最后用逆模糊化得到診斷結(jié)果。這在某種程 度上提高了判斷準(zhǔn)確率，卻未能解決專家系統(tǒng)故有的問題。 20 世紀(jì) 70 年代出現(xiàn)了人工模擬神經(jīng)細(xì)胞記憶的方法人工神經(jīng)網(wǎng)絡(luò)理論，在 90 年代開始應(yīng)用于工業(yè)領(lǐng)域進(jìn)行過程控制、過程設(shè)計以及故障診斷等。神經(jīng)網(wǎng)絡(luò)是一 個并行分布式的信息處理系統(tǒng)，它是由單向信號通道將大量的處理單元連接而成的一 個網(wǎng)絡(luò)結(jié)構(gòu)，其中每一處理單元可

57、以有局部存儲器，存儲某些局部計算操作信息。神 經(jīng)網(wǎng)絡(luò)模型為三層結(jié)構(gòu)，即輸入層、隱含層和輸出層，采用多變量輸入、單變量輸出 的模式。與傳統(tǒng)的人工智能方法相比，并行結(jié)構(gòu)加快了信息處理速度，提高了處理能 力；分布式存儲信息使得系統(tǒng)部分信息損壞后仍能恢復(fù)原來的信息，具有類似人腦的 聯(lián)想特點；具有一定的自適應(yīng)性，能夠自學(xué)習(xí)、自組織，并且可訓(xùn)練。神經(jīng)網(wǎng)絡(luò)用于 故障診斷主要有數(shù)據(jù)獲取、數(shù)據(jù)預(yù)處理、特征選擇和分類決策四個過程，系統(tǒng)先對輸 入樣本進(jìn)行學(xué)習(xí)，通過不斷修改連接權(quán)得到比較好的網(wǎng)絡(luò)學(xué)習(xí)模型，再根據(jù)學(xué)習(xí)模型 對實際數(shù)據(jù)訓(xùn)練，產(chǎn)生預(yù)測值。為了更加有效的利用神經(jīng)網(wǎng)絡(luò)，往往加入專家系統(tǒng)的 知識，使訓(xùn)練模型更加合

58、理。目前主要采用 BP 網(wǎng)絡(luò)、BRF 網(wǎng)絡(luò)、ART 網(wǎng)絡(luò)和 Hopfield 網(wǎng)絡(luò)。這種方法的應(yīng)用使故障診斷準(zhǔn)確率上升到 94，但是也存在著一些弊 端14。由于人工神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)從本質(zhì)上講是一種歸納學(xué)習(xí)，它需要學(xué)習(xí)大量的實例來 穩(wěn)定網(wǎng)絡(luò)狀態(tài)，而這些先驗知識本身就要大量的試驗和總結(jié)才能得到，訓(xùn)練模型的產(chǎn) 生也需要很長的時間，得到的學(xué)習(xí)模型難以理解，泛化能力不強(qiáng)，逐步改進(jìn)特征提取 成為改善神經(jīng)網(wǎng)絡(luò)性能的熱點。 2.3 模擬電路故障診斷的模式識別過程 故障診斷問題可以視為模式識別問題，模式識別是基于對事物性質(zhì)的認(rèn)識而能夠 對事物正確地分類與描述。模式識別問題是通過搜索各模塊特征，對輸入數(shù)據(jù)與各模 塊之

59、間的相似性進(jìn)行鑒別。模式識別技術(shù)已在語音識別、文字識別、語音合成、目標(biāo) 識別與分類、圖像分析與識別等領(lǐng)域應(yīng)用比較成熟15,16。 模式識別方法分為統(tǒng)計模式識別方法和結(jié)構(gòu)模式識別方法。模式識別系統(tǒng)包括設(shè) 計與實現(xiàn)兩部分，設(shè)計是指用一定數(shù)量的樣本進(jìn)行分類器設(shè)計；而實現(xiàn)則是指用所設(shè) 計的分類器對待識別的樣本進(jìn)行分類決策。圖 2.1 為一般的模式識別系統(tǒng)示意圖。 信信息息獲獲取取 學(xué)學(xué)習(xí)習(xí) 特特征征判判決決特特征征提提取取預(yù)預(yù)處處理理 輸輸入入模模式式 輸輸出出 圖 2.1 模式識別系統(tǒng) Fig.2.1 The pattern recognition system (1) 信息獲取 為了使計算機(jī)能對各

60、種現(xiàn)象進(jìn)行分類識別，必須將所研究的對象信息用計算機(jī)所 能接受的形式表示，輸入對象的信息包括：二維圖像(如文字、指紋、地圖、照片等)、 一維波形(如腦電圖、地震波等)和物理參量和邏輯值(如體溫、各種試驗數(shù)據(jù)等)。這些 信息來自對被識別事物測量的數(shù)據(jù)表示，每個測量值描述事物的一個特征，通過測量、 采樣和量化，可以用矩陣活矢量表示，即是模式向量，作為歐氏空間的點，屬于同一 類的各模式對應(yīng)于散布在測量空間的某一區(qū)域中的點的總體。 (2) 預(yù)處理 預(yù)處理的目的是去除噪聲，增強(qiáng)有用的信息，并對相應(yīng)的退化現(xiàn)象進(jìn)行復(fù)原。 (3) 特征提取 所謂特征提取就是從輸入數(shù)據(jù)中提取特征，針對模式的某些物理性質(zhì)進(jìn)行數(shù)學(xué)描