將數(shù)據(jù)進行歸一化，然后按照與方法一相同的網(wǎng)絡進行訓練，經(jīng)過307次達到訓練目標，故障測試情況如表所示5。故障模式F0與F1無法區(qū)分，說明R2+50％這個故障模式與正常模式的故障特征相互重疊，同時也看到故障模式F2的故障特征表示的不夠明顯，以至于沒能達到診斷的閾值，其余故障模式都能準確識別，識別正確率為67％。

3 多測試點多特征信息構(gòu)造樣本集
結(jié)合上面兩種方法，提出一種多測試點多故障特征量的模擬電路故障診斷方法。
為了與上面兩種方法進行比較，依然選取相同的電路和相同的故障集，選取方法一中的3個測試點，每個測試點在每種故障狀態(tài)下分別提取V5k，V10k，V15k，所對應的電壓作為故障特征值，如表3所示，由于篇幅有限，只列出部分故障模式的原始樣本集。

依然采用正態(tài)分布函數(shù)對數(shù)據(jù)進行歸一化，歸一化時，每種頻率對應的正常狀態(tài)下的特征值為a，其余故障模式按照對應的頻率分別進行歸一化，將上述數(shù)據(jù)經(jīng)過同樣的網(wǎng)絡結(jié)構(gòu)進行訓練，神經(jīng)網(wǎng)絡采用L—M算法，網(wǎng)絡經(jīng)過101次訓練達到目標。為與方法一和方法二比較，將歸一化后的原始樣本數(shù)據(jù)輸入訓練過的網(wǎng)絡中，檢查網(wǎng)絡的故障識別率，判定閾值不變。輸出結(jié)果如表6所示。

從表6可以看出，在所有的訓練樣本集中，只有4個樣本在經(jīng)過訓練后無法識別，此時訓練好的神經(jīng)網(wǎng)絡識別正確率為85％。說明此方法構(gòu)造的樣本集能更好的反映故障特征。將此方法與前面兩種方法對比，在網(wǎng)絡訓練目標相同的前提下，對比故障識別正確率如表7所示。

4 結(jié)束語
通過比較可以發(fā)現(xiàn)，在神經(jīng)網(wǎng)絡訓練目標相同的前提下，通過多測試點多特征信息構(gòu)造出來的樣本集所訓練的神經(jīng)網(wǎng)絡對故障識別正確率高于前兩種方法，這種多測試點多特征信息的診斷方法，在構(gòu)造原始故障樣本集上盡可能地覆蓋更多的故障信息，使得故障特征能更好地反映故障模式，因此訓練出來的神經(jīng)網(wǎng)絡的診斷能力更強，仿真結(jié)果表明，此方法在模擬電路的故障診斷中是可行的，提供了一種樣本集的構(gòu)造方法，對模擬電路的故障診斷有著一定的意義。