文档介绍：学校代号：10532
学 号：S10092088
密 级：公开
湖南大学硕士学位论文
基于极限学****机的模拟电路故障诊断
学位申请人姓名： 周江嫚
导师姓名及职称： 黄清秀 副教授
培 养 单 位： 电气与信息工程学院
专 业 名 称： 电气工程
论文提交日期： 2013 年 4 月 28 日
论文答辩日期： 2013 年 5 月 11 日
答辩委员会主席： 汪沨 教授
Analog circuit fault diagnosis based on Extreme Learning Machine
by
ZHOU Jiangman
.(Jinan University)2010
A thesis submitted in partial satisfaction of the
Requirements for the degree of
Master of Engineering
in
Electrical Engineering
in the
Graduate School
of
Hunan University
Supervisor
Associate Professor Huang Qingxiu
April, 2013
基于极限学****机的模拟电路故障诊断
摘 要
随着半导体技术和工艺的飞速发展，电子设备得到了广泛应用，且组成和结
构越来越复杂。而电子系统中容易出问题的部分往往在模拟电路，为了提高系统
的安全性和可靠性，对模拟电路故障诊断和测试提出了更高、更新的要求。另外
随着电路大规模发展趋势，电路可及节点也日益减少。这些因素使得模拟电路测
试问题成了困扰集成电路工业生产和发展的技术瓶颈，因此开展模拟电路故障诊
断和测试的研究，具有很大的理论价值和实际意义。
极限学****机(extreme learning machine，ELM)在训练前只需要设置网络隐层节
点个数，算法执行过程中不需要调整网络的输入权值以及隐层单元的偏置，并且
产生唯一的最优解，参数选择容易、学****速度快且泛化性能好。因此本文将极限
学****机与模拟电路故障理论诊断相结合，开展了基于 ELM 的模拟电路故障诊断
方法的研究和实现。
本文提出了基于主成分分析和极限学****机的模拟电路故障识别方法。首先对
电路进行故障特征提取，将输出信号的采样点的电压幅值作为故障特征样本，利
用主成分分析的方法提取信号的故障特征。其次，通过 ELM 分类器对故障进行
分类，得到满意的结果。
在此基础上，为进一步提高 ELM 的泛化能力和诊断精度，提出了基于
ELM-RBF 的故障分类。将极限学****机算法应用到径向基神经网络中，它结合了
两者的优点，隐含层数目减少，优化网