本发明具体涉及模拟电路技术领域，是一种基于流形结构改进的svm模拟电路故障诊断方法，主要应用于模拟电路的故障诊断，主要是基于小波包最优能量熵和流形结构以及类内相似度的svm(supportvectormachine，支持向量机)模拟电路故障诊断。
背景技术：
在当今智能化迅猛发展的时代，模拟电路已经广泛应用于军事、工业、生活等各个领域。由于模拟电路的运行环境复杂多样，其自身存在的故障模型欠佳，元件容差，故障参数连续和电路非线性等特点，使得模拟电路故障诊断技术发展缓慢。随着机器学习的发展，更先进的技术被运用到模拟电路的故障诊断中，为了进一步提高电路的准确性，以及在遇到问题时，减少维修所耗费的精力和财力，通过测试手段来对电路的故障进行诊断和辨识，可及时维修，更换出现故障的电路器件，降低了企业运营的成本。传统的svm分类，在构造最优超平面时仅仅关注于数据整体类间的可分离性，忽视了数据的结构信息，导致在数据中存在非线性流形结构，分类的边界过于光滑，严重影响了svm的分类性能。同时一般电路的输出与故障之间存在着非线性的关系，标准的svm仅关注类间的间隔信息是远不够的。本文提出了基于形结构类内离散度的svm，融合数据的全局和局部先验信息，能够有效地提高svm的诊断效果。
技术实现要素：
针对上述缺陷，本文提出了基于流形结构改进的svm模拟电路故障诊断，可以更快更准确的诊断出模拟电路出现的故障。
1.该方法包括以下步骤：
a1、用软件模拟诊断对象的故障。
a2、对于电路中的每一种故障用蒙特卡洛分析，检测故障的特征信号，用小波包将故障信号分解，基于最优小波熵原则使信号分解具有最大规律性，提取每组信号最优能量值为故障的特征值。
a3、对故障分类时，选用改进的svm，将一部分数据进行样本训练，剩余部分进行判别分析，从而得出分类的正确率。
2.在a1中所用到的软件为orcad以及pspice
3.对于a2中所得到的故障特征值的步骤为：
(1)将所测量的信号进行3层小波包分解，能够得出8个频带的小波包分解系数
(2)在此基础上构建最优小波树，主要基于最优能量熵
a.计算出小波树中每个节点的能量熵
b.从最低一层小波包分解的子空间比较，若两个子空间的熵值小于母空间熵，保留这两个子空间，母空间的熵用这两个子空间的熵之和代替，反之保留母空间，舍弃子空间
c.最后将剩余最优能量熵的系数重构可得最优小波树，再计算该信号的能量值，作为故障信号的特征值
4、对于故障分类时，构造svm时，主要将样本的类内离散度以及数据之间的流形结构考虑进去，该方法步骤如下：
a.构造类内的相似矩阵，计算样本集
b.wij为该样本同类间的权重矩阵，数据的类内相似度矩阵，可以定义为s＝ω(w'-w)ω，其中
c.对于svm的分类，期最优化的问题也就可以描述为
5.在实施步骤a3分类判别故障时，就用到所测得特征数据一部分用于训练，剩余的用于分类判别，测得分类的正确率。
有益效果
基于最优能量熵重构得到的最优小波树的能量值作为特征向量，更能表现出故障信号的特征。在svm判别分析时，考虑数据的流形结构，以及个样本间的权值矩阵结合类内的离散度矩阵，能有效提高判别分析的准确度，达到更好的分类效果。
附图说明
图1为所选取的诊断电路；
图2基于该方法诊断电路的流程图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。
选取带通滤波器作为诊断对象，电路图如附图1，在orcad/pspice软件中画出电路，元件具有容差，设立电阻容差为标称值的5％，电感为10％。设立故障模式分别为c1↑，c2↑，c3↑，c4↑，r1↑，r2↓，r3↑，r4↓，r5↑，r6↓，r7↑，r8↓，其中↑表示该值为大于标称值50％的故障值，↓为小于标称值50％的故障值。这样就有12组故障值，加上正常状态，一共有13中状态。用蒙特卡洛分析法对每一种故障状态进行200次分析，再用matlab对信号进行小波包分析，重构出最优小波树，将他们的最优能量熵作为特征值，组成特征向量。
算法步骤如下：
a.计算出小波树中每个节点的能量熵
b.从最低一层小波包分解的子空间比较，若两个子空间的熵值小于母空间熵，即ent(n)＞ent(n1)+ent(n2)，留这两个子空间，母空间的熵用这两个子空间的熵之和代替，反之保留母空间，舍弃子空间
c.最后将剩余最优能量熵的系数重构可得最优小波树，再计算该信号的能量值，作为故障信号的特征值t＝[e0,e1…en]。
对于故障分类时，构造svm时，主要将样本的类内离散度以及数据之间的流形结构考虑进去，该方法步骤如下：
d.构造类内的相似矩阵，计算样本集
e.wij为该样本同类间的权重矩阵，数据的类内相似度矩阵，可以定义为s＝ω(w'-w)ω，其中
对于svm的分类，期最优化的问题也就可以描述为
最后剩余的用于分类判别，测得分类的正确率。