6、其它理论的特征提取方法

　　粗糙集理论是一种处理不完整性和不确定性问题的新型数学工具，在模式识别领域得到了成功应用。它的主要优势是不需要任何先验或额外的数据信息，仅仅利用测得数据提供的信息便可发现其隐含的知识和规则，因此对问题的不确定性描述和处理比较客观。基于粗糙集的特征提取方法是利用粗糙集的数据约简能力，将特征提取的过程转化为求取约简的过程[14]，对待诊断系统的条件属性和决策属性进行约简，得到消除冗余和重复信息的最佳训练样本集，也即最优决策属性集，以简化神经网络结构，提高系统诊断速度，为模拟电路在不完备征兆信息下的特征提取提供了一个新思路。

　　随着非线性动力学系统理论的发展，分形理论以其特殊的视角揭示了自然界和人类社会各种复杂现象中的规律性，它为处理非线性系统问题提供了又一个新思路和新方法。定量刻画分形特征的参数是分形维数，它定量描述了分形集的复杂度，因此可以把细节信号的维数作为分类识别的特征。常用的维数是盒维数和信息维数，盒维数反应了分形集的几何尺度情况，信息维数反映了分形集在分布上的信息。文献[15]针对通信信号的非平稳、信噪比变化范围较大的特点，运用小波变换对通信信号进行分解，对得到的细节信号计算盒维数和信息维数，维数中包含了区别不同调制类型所需的幅度、频率和相位等主要信息，再把这些细节信号的维数作为通信信号调制类识别的特征，基于这种特征设计的分类器简单、高效，且具有一定的抗噪声性能。而模拟电路运行状态的特征信号在一定尺度范围内具有分形的特征，与小波变换、神经网络结合，可提高特征提取数量，提高故障诊断的有效性和可靠性。

7、结论

　　特征提取是模式识别的基础环节，对模拟电路的故障诊断同样重要，它强烈地影响分类器的设计及其性能，因此它是模拟电路故障诊断中的一个关键问题。本文总结了近年来在模拟电路故障诊断领域中常用的一些特征提取方法，主元分析等传统统计分析方法采用线性变换解决电路响应特征向量的降维问题；小波分析能够把模拟电路响应的非平稳信号分解到不同层次不同频道的序列上，有非常好的时频特性；而基于信息熵、模糊理论和粗糙集的特征提取方法可以解决模拟电路中故障模式的不确定性问题，基于核函数的特征提取方法在非线性逼近和小样本情况下有着优越的推广能力。上述各种方法各具优势及其不足，不能用一种方法完全取代另一种。因此，如何优化各种特征提取方法或构造出发挥各自优点、功能互补且高效实用的特征提取融合方法，有效提取模拟电路的故障征兆，将是今后继续研究的课题。
参考文献

　　[1] Aminian F, Aminian M, H.W. Collins,Jr. Analog Fault Diagnosis of Actual Circuits using Neural Networks[J]. IEEE Transaction on Instrumentation and measurement, 2002, 51(3):544-550.
　　[2] 王承,陈光礻禹, 谢永乐.基于主元分析与神经网络的模拟电路故障诊断[J].电子测量与仪器学报.2005,19(5):14-17.
　　[3] Mehran Aminian, Farzan Aminian. Neural-network based analog-circuit fault diagnosis using wavelet transform as preprocessor[J]. IEEE Transaction on Circuits and System II: Analog and Digital Signal Processing, 2000,47(2):151-156.
　　[4] Anna Wang, Junfang Liu et al. Algorithms Comparison of Feature Extraction and Multi-class Classification for Fault Diagnosis of Analog Circuit[C].Proceedings of 2007 International Conference on Wavelet Analysis and Pattern Recognition, 2007: 566-572.
　　[5] 谭阳红,叶佳卓.模拟电路故障诊断的小波方法[J].电与信息学报.2006,28(9):1748-1751 .
　　[6] 王承,陈光礻禹,谢永乐.基于动态电源电流测试的模拟电流故障诊断[J].系统工程与电子技术.2005, 27(3):413-415.
　　[7] Yigang He, Yanghong Tan, Yichuang Sun. Fault Diagnosis of Analog Circuits based on Wavelet Packets[C]. TENCON 2004 IEEE Region 10 Conference,2004:267-270.
　　[8] 吴欣,张博,陈涛.基于神经网络的大规模模拟电路故障检测系统[J].计算机测量与控制.2004, 12(11):1049-1051.
　　[9] Januse A. Srarzky, Dong Liu, Zhi-hong Liu, et al. Entropy-Based Optimum Test Points Selection for Analog Fault Dictionary Techniques [J]. IEEE Transactions on Instrumentation and Measurement, 2004, 53(3): 754-761.
　　[10] 万九卿,李行善.基于诊断信息量的测点选择方法[J]. 电子测量与仪器学报.2005, 19(5):1-5.
　　[11] 袁海英,陈光礻禹.基于最大故障信息量二元树的模拟电路诊断法[J].仪器仪表学报.2006, 27(12):1679-1682.
　　[12] Wan Jiuqing, Li Xingshan, Qin Shiyin. Kernel-based nonlinear feature extractor and its application in electronic circuit fault diagnosis [C].Proceedings of the 5th World Congress on Intelligent Control and Automation, 2004: 1775-1779.
　　[13] Yongkui Sun,Guangju Chen,Hui Li. Analog Circuits Fault Diagnosis Using Support Vector Machine[C]. International Conference on Communications, Circuits and Systems, 2007:1003-1006.
　　[14] Weiji Su,Yu Su,Hai Zhao, et al. Integration of Rough Set and Neural Network for Application of Generator Fault Diagnosis[C]. Proceedings of RSCTC, 2004:549-553.
　　[15] 郭双冰.基于小波和分形理论的调制信号特征提取方法研究[J].信号处理.2005,21(3):316-318