3 量子神经网络
    N．B．Karayiannis等人1997年提出多层激励函数的量子神经网络，这种量子神经网络是3层的网状结构，输入层、隐层、输出层，其中输入层和输出层与传统神经网络无异，而隐层的量子神经元借鉴了量子理论中量子态叠加的思想，采用多量子能级变换函数，每个多能级函数是一系列具有量子间隔(Quantum Interval)偏移的ns，个Sigmoid函数的线性叠加，称之为多层激励函数。即隐层神经元的输出可写为为量子跃迁位置，而量子间隔取决于跃迁位置。量子神经网络的学习分两步，一是对权值的调整，使输人数据对应到不同的类空间中，二是对隐层的量子神经元的量子间隔进行调整，体现数据的不确定性。

4 基于小波和量子神经网络的故障诊断原理
    采用小波与量子神经网络对模拟电路进行软故障诊断的过程，与小波神经网络对模拟电路进行软故障的过程相似：首先将电路的各种故障状态及正常态对应的理论值用PSpice仿真求出，然后用小波变换从输出采样信号中提取故障特征并对特征向量进行归一化；最后是状态识别和故障诊断。其结构如图1所示：

    诊断过程：
    (1)构造特征向量，提取能量特征信息：在pspice中对电路的每一种状态进行瞬时分析，取500个采样点，并对每一种故障模式进行300次 MonteCarlo分析，在Probe窗口中选择菜单View＼output File，或直接在Probe内选择菜单File＼Export将波形采样数据存盘，可得到out节点的具体信息，将数据转化为MATLAB数据文件，然后进行小波分析，在实验中，经分析与比较，小波选择db2小波，对每个故障信号进行5尺度小波分解。得能量特征信息F=(ED5，ED4，…，ED1， EC5)。这里可利用MATLAB中的sumsqr函数。从而得到网络的训练样本集和测试样本集。300次MonteCarlo分析，其中200次为训练样本，100次为测试样本。

    (2)对测得的数据进行处理：在把小波分解系数序列能量输入给神经网络之前，为了加快网络收敛，有必要对数据进行归一化处理，这里利用MATLAB中的premnmx进行归一化。