一种云样本的控制产生及在电路故障诊断中的应用
1 引言(Introduction)
模拟电路的故障诊断是一项较为复杂和困难的研究课题[1]．其主要方法可分为两大类：基于模型的方法和基于机器学习的方法．前者主要应用于线性电路的故障诊断：后者采用基于机器学习方法直接建立电路特征样本和故障模式之间的映射关系，不依赖电路内部结构和先验知识．
人工神经网络(ANN)是一种基于机器学习的方法，此类技术已在国内外得到了广泛的研究和应用[2]．神经网络的诊断性能取决于不同的训练样本，故研究特征样本的选择或产生技术具有重要的理论和实际价值，但目前相关的研究成果很少[3-6]．
本文提出了一种训练样本的云模型产生方法．通过基于云模型的统计方法产生新的样本(称为“云样本”)，并设计训练集进行神经网络的训练和分析．实际研究表明，采用云样本训练的神经网络获得了较稳健的网络性能，对随机噪声具有良好的抵抗力，在模拟电路测试中取得了较好的诊断效果．
2 基于云模型的样本产生方法和训练(Samples generation method based on cloud model and training)
研究表明，组成电路的模拟分立元件参数值都近似服从正态分布[7]．当元件产生故障时，得到的电路响应曲线也具有一定的正态分布特性．通过对待测电路响应进行特征提取，可以得到各故障模式的特征空间分布．各样本集在特征空间内形成一个个中间“厚”、边缘“薄”的“云团”：中央是所谓的“好样本”[3]．和其他“云团”交界的样本是“边界样本”；和其他“云团”混合的样本是“差样本”．
样本集的“云团”分布特点，客观上较为符合云模型特别是正态云模型的相关理论[8]．特征样本对应云模型概念中的“云滴”；“好样本”、“边界样本”和“差样本”可分别对应云模型概念中的“基本元素”、“外围元素”和“弱外围元素”等概念．因此，采用云模型的相关统计理论产生新样本可突出“好样本”的作用，且新样本的分布和原始训练样本基本一致[5]，这有利于提高分类器的泛化能力和诊断性能；且云样本的产生融合了随机产生理论，对随机噪声具有一定的抵抗作用．
2.1 云样本的产生方法(Cloud samples generation method)
云样本的控制和产生同时需要逆向云和正向云模型算法，如图1所示．
