CN102520342A - 基于动态反馈神经网络建模的模拟电路测试节点选择方法 - Google Patents

Abstract

本发明公开了一种基于动态反馈神经网络建模的模拟电路测试节点选择方法。该方法包括以下步骤：选择测试信号的频率；对待测电路输入测试信号，模拟各种典型的故障状态，在待测电路的待选测试节点上采集电路的正常样本和故障样本的电压值，构造故障字典表；根据故障模糊电压区间，分析模糊故障集合，并得到故障整数编码表；构造初始训练样本集，训练初始动态反馈神经网络，由动态反馈神经网络拟合测试节点与故障之间的非线性映射关系；根据网络的输出计算遗传算法的目标函数，利用遗传优化算法得到最优测试节点集合。本发明方法通过智能算法对故障字典进行分析，能够寻找出全局最优测试节点集合，从而提高后续诊断的准确性。

Description

基于动态反馈神经网络建模的模拟电路测试节点选择方法

技术领域

本发明涉及一种模拟电路测试节点选择方法，尤其是一种基于动态反馈神经网络建模的模拟电路测试节点选择方法。

背景技术

随着电子设备规模的不断增大和集成程度的不断上升，模拟电子系统的测试和诊断要求越来越高，电路的可测性分析作为模拟电路故障诊断和识别的第一个重要步骤尤显重要，这是因为：(1)待测电路中并不是每个测点都是可测的。(2)有些可测节点是多余。(3)好的测试节点提取的故障信息可区分性更强。因此，对于一个待测电路来说，好的测试节点集合能有效的提高电路的故障可测性，同时降低电路的测试时间。

测试节点选择的目的是：在故障均可隔离的前提下，测试节点集合中的测点数目最少。测试节点选择已经被证明是一种NP难的问题，只能通过穷举法才能找到最佳方案，然而，穷举法的计算复杂度高和不符合实际需要，当故障模式和测点数超过40时，穷举法就不切实际了。

目前测试节点方法有两种途径：包含法和排除法，其中包含法是根据评估故障的隔离度是否增加了，将一个新的测试节点添加到待选择的测试节点集合中，而排除法是将非必须的测试节点排除到测点集合外，必须的测试节点是指如果删除该测点，会降低故障隔离度。而测试节点选择需要设计的步骤通常有两个方面：测试节点的选择策略和测试节点的选择标准。其中最常见的测试节点的选择策略是整数编码字典法。而测试节点的选择标准则有多种，如最小信息熵值、最小故障信息度值、最小电路敏感度值等等。

结合现有文献可知，常见的模拟电路测试节点的选择方法均以故障字典为基础的一种迭代选择方法，并以+/-0.7V的电压值为标准构造模糊故障区间，然而，通过实际应用表明这种传统的模拟电路测试节点选择方法具有以下不足：(1)由于每种电路和每类故障模式都是独立的，以+/-0.7V的电压值为统一标准模糊故障区间的划分并不合理。(2)迭代选择方法中均要设置一个测试节点选择的准则，测试节点选择的准确性与准则设置的合理性非常相关，不同的准则得到的最优测试节点集合不同。

发明内容

本发明的目的是解决现有模拟电路测试节点迭代选择方法中存在的故障模糊区间设计不合理和对测试节点选择准则依赖度高的缺点，提出一种基于动态反馈神经网络建模的模拟电路测试节点选择方法，该方法基于动态反馈神经网络非线性建模和遗传算法的全局最优的智能测试节点选择方法。

具体而言，本发明采用以下技术方案解决上述技术问题：

一种基于动态反馈神经网络建模的模拟电路测试节点选择方法，包括以下步骤：

步骤A、选择测试信号的频率；

步骤B、对待测电路输入测试信号，模拟各种典型的故障状态，在待测电路的所有可测节点上采集电路的正常样本和故障样本的电压值，构造故障字典表，其中故障字典表中的行表示所有的待选测试节点，列表示每类故障的节点电压值；

步骤C、根据故障模糊电压区间，分析模糊故障集合，并得到故障整数编码表，其中故障整数编码表中的行表示所有的测试节点，列表示每类故障对应的整数编码；

步骤D、构造初始训练样本集，训练初始动态反馈神经网络，由动态反馈神经网络拟合测试节点与故障之间的非线性映射关系；

步骤E、根据动态反馈神经网络的输出计算，利用遗传优化算法选取最优测试节点集合，其中遗传优化算法的目标函数如下：

$\arg \mathrm{Max}(m-\underset{k=1}{\overset{m}{\mathrm{\Σ}}}\mathrm{output}\left({\mathrm{fault}}_k\right))$

上式中output(fault_k)表示动态反馈神经网络中输出层的第k个神经元的输出值，m是输出层神经元的个数。

优选地，步骤C中的故障整数编码表具体按照以下方法得到：

步骤C1、考虑待测电路中元件的容差，采用蒙特卡罗分析方法得到每类故障模式的多组节点电压值样本，并用统计方法得到每类故障样本的均值和均方差，因此每类故障模式的模糊区间为[故障均值-故障均方差，故障均值+故障均方差]；

步骤C2、分析所有故障模式的模糊区间，进行故障诊断编码，如果故障的模糊区间与其它故障模糊区间完全不相交，则该故障为完全被隔离，将此类故障赋予整数标识“0”；如果故障的模糊区间与其它故障模糊区间相交，则为模糊类故障，模糊区间相互交叉的故障不能被正确诊断，将模糊故障均赋予整数标识“1”。

优选地，所述步骤D具体包括：

步骤D1、将待选测试节点由0、1数值表示，其中0表示该测试节点没有被选择，1表示该测试节点被选择，结合故障整数编码信息，按照以下方法构造初始训练样本集：

假设有n个测试节点，m种故障模式，由故障整数编码表可知，每个测试节点对应一个故障模式整数编码向量，首先将测试节点数值化，得到n个测试节点向量分别是[1，0，0，..0]，[0，1，0，...0]，...[0，0，0，...，1]；将这些向量作为动态反馈神经网络的输入数据，则动态反馈神经网络的输入层神经元个数是n，每个测试节点对应的故障模式整数编码向量作为神经网络的输出值，则动态反馈神经网络的输出层神经元个数是m；如果是第d个测点被选择，则输入向量中第d个数为1，其它为零；神经网络的输出表示选择测点集合下相应的输出故障模式整数编码向量，如果是多个测点被选择，则神经网络的输出按以下公式计算得到：

if fault_j(node₁＝1)＝fault_j(node₂＝1)＝...＝fault_j(node_r＝1)＝0，fault_j＝0

else  fault_j＝1

上式中假设有r个测试节点被选择；

在故障字典整数编码表中，如果第j个故障模式的整数编码均为0，则r个测点同时被选择后，新的故障整数编码为0，否则为1；

步骤D2、根据初始训练样本集对反馈神经网络进行训练，具体包括：

步骤D2-1、凭经验设定反馈神经网络结构和各层参数；

步骤D2-2、将初始训练样本集输入反馈神经网络得到反馈神经神经网络的初始参数；

步骤D2-3、对训练样本加以微扰，构造多组新的样本，将多组新样本数据输入神经网络进行训练，并计算根据期望输出d_t和实际输出y_t之间产生的误差；用下式计算产生的误差error：

$\mathrm{error}=\frac{1}{2}\underset{t=1}{\overset{m}{\mathrm{\Σ}}}{(d_t-y_t)}^2$

其中，m是输出层神经元的个数；

步骤D2-4、分析反馈单元对隐层神经元加权后对网络输出的影响，利用梯度下降算法反复修正网络结构中各项参数值，实现网络参数的动态自校正。

优选地，步骤A中所述选择测试信号的频率，是根据类内类间距离选择最优频率，具体按照以下方法：

步骤A1、获取待测电路的幅频响应曲线；

步骤A2、选择幅频响应曲线上的拐点及其附近的频率，作为待选频率集合；

步骤A3、将待选频率集合分别加载到待测电路上，设置多种典型的故障模式，在电路输出节点处采集故障状态下的电压值作为故障信息，并由多层小波变换提取故障信息的细节系数的能量熵值作为故障特征；

步骤A4、计算所有待选频率下所有故障类的类内类间距离，选择类内类间距离最大的频率作为最优测试频率。

优选地，所述步骤E具体包括：

步骤E1、将所有可选的测试节点按顺序排列，通过二进制编码表示种群，假设有n个待测节点，则种群的范围设置为“00...01”～“11...11”，其中“0”表示其相应位置的测试节点没有被选择，而“1”表示其相应位置的测试节点被选择；初始化算法参数并设置最大迭代次数；

步骤E2、将代表测试节点集合的种群输入动态反馈神经网络模型进行训练得到网络的输出值，网络的输出值代表测点集合对应输出的故障模式整数编码向量的融合信息；

步骤E3、根据网络的输出值计算遗传算法的目标函数值，其中目标函数值的计算公式如下所示：

$\arg \mathrm{Max}(m-\underset{k=1}{\overset{m}{\mathrm{\Σ}}}\mathrm{output}\left({\mathrm{fault}}_k\right))$

式中output(fault_k)表示动态反馈神经网络中输出层的第k个神经元的输出值；

步骤E4、判断算法是否满足最大的循环迭代次数，如果是，则最大目标函数值对应的种群个体值为最佳的测试节点集合；否则，执行选择、交叉和变异操作，生成新的代表测试节点集合的种群，重复执行E2步骤。

进一步地，所述选择操作采用轮盘赌选择算法，选择当前种群中个体适应度值高的个体进入下一代种群；所述交叉操作采用单点交叉算法，在个体编码中随机设置一个交叉点，然后在该点相互交换两个配对个体的部分染色体；所述变异操作采用均匀变异算法，即分别用符合某一范围内均匀分布的随机数，以某一较小的概率来替换个体编码串中各个基因座上的原有基因值。

相比现有技术，本发明方法具有以下优点：

(1)通过统计分析得到故障的电压值模糊区间较传统的+-0.7V的电压值区间更加的符合实际电路和故障的独立特性。

(2)将故障字典中的测试节点与故障类之间的非线性关系通过动态反馈神经网络建模表示，并通过智能算法对故障字典进行分析，动态反馈神经网络非线性映射能力强，具有一定的去噪和容错能力，能精确的反映测试节点与故障类之间的非线性特性。

(3)将传统的迭代选择方法用智能进化遗传算法代替，该方法具有并行计算和启发式收索的能力，能在全局范围内寻找出最优测试节点集合。

附图说明

图1是本发明的流程框图；

图2是本发明的动态反馈神经网络结构图；

图3是本发明方法中遗传算法寻找最优测点集合的流程图。

具体实施方式

下面结合附图对本发明的技术方案进行详细说明：

本发明的基于动态反馈神经网络建模的模拟电路测试节点选择方法，如图1所示，包括以下步骤：

步骤A、选择测试信号的频率。

为了选择能提高故障可诊性的频率，本发明根据待测电路的幅频响应曲线，以故障类的类内类间距最大为选择依据，选取最能提高故障可诊性的幅频响应曲线上的拐点频率作为测试频率，具体如下：

步骤A1、获取待测电路的幅频响应曲线；例如可以采用PSPICE等仿真工具模拟待测电路的运行状态，从而得到待测电路的幅频响应曲线。

步骤A2、选择幅频响应曲线上的拐点及其附近的频率，作为待选频率集合。

步骤A3、将待选频率集合分别加载到待测电路上，设置多种典型的故障模式，在电路输出节点处采集故障状态下的电压值作为故障信息，并由多层小波变换提取故障信息的细节系数的能量熵值作为故障特征；其中能量熵X的计算公式如下：

$X_i\left(D\right)=-\mathrm{\Σ}{D}_i^2\log \left(D_i^2\right)$

式中D_i是第i层小波分解的细节系数。

步骤A4、计算所有待选频率下所有故障类的类内类间距离，选择类内类间距离最大的频率作为最优测试频率；类内类间距离J_d(x)的计算为现有技术，其公式如下：

J_d(x)＝tr(S_b+S_w)

其中

$S_b=\underset{i=1}{\overset{c}{\mathrm{\Σ}}}{P}_i(m_i-m){(m_i-m)}^T$

$S_w=\underset{i=1}{\overset{c}{\mathrm{\Σ}}}{P}_i\frac{1}{n_i}\underset{k=1}{\overset{n_i}{\mathrm{\Σ}}}(x_k^{\left(i\right)}-m_i){(x_k^{\left(i\right)}-m_i)}^T$

$m_i=\frac{1}{n_i}\underset{k=1}{\overset{n_i}{\mathrm{\Σ}}}{x}_k^{\left(i\right)}$

$m=\underset{i=1}{\overset{c}{\mathrm{\Σ}}}{P}_i{m}_i$

其中c为类别数，n_i为i类的样本数，P_i是第i类样本的先验概率，

分别为i类的D维特征向量，m_i表示第i类样本集的均值向量，m表示所有各类的样本集总均值向量，S_b称为类间离散度矩阵，S_w为类内离散度矩阵，一般认为类间离散度尽量大，类内离散度尽量小，有利于分类。类内类间距离越大代表该类故障特征可诊性越好。

步骤B、对待测电路输入测试信号，模拟各种典型的故障状态，在待测电路的所有可测节点上采集电路的正常样本和故障样本的电压值，构造故障字典表，其中故障字典表中的行表示所有的待选测试节点，列表示每类故障的节点电压值；

步骤C、根据故障模糊电压区间，分析模糊故障集合，并得到故障整数编码表，其中故障整数编码表中的行表示所有的测试节点，列表示每类故障对应的整数编码。具体按照以下方法：

步骤C1、考虑待测电路中元件的容差，采用蒙特卡罗分析方法得到每类故障模式的多组节点电压值样本，并用统计方法得到每类故障样本的均值和均方差，因此每类故障模式的模糊区间为[故障均值-故障均方差，故障均值+故障均方差]；

模拟电路中元器件具有容差，即元件参数值不是一个固定值，而在一个范围内波动，因此电路的输出电压值也不是一个固定值，其值在一定区间内波动，为了效仿实际电路中电路元件容差的变化，设置每个元件的容差范围，其中电容和电阻容差范围设为5％。并采用50次蒙特卡罗分析仿真待测电路，即元件的参数在容差范围内任意的取值50次，因此，每类故障和正常电路状态得到的50组数据。

步骤C2、分析所有故障模式的模糊区间，进行故障诊断编码，如果故障的模糊区间与其它故障模糊区间完全不相交，则该故障为完全被隔离，将此类故障赋予整数标识“0”；如果故障的模糊区间与其它故障模糊区间相交，则为模糊类故障，模糊区间相互交叉的故障不能被正确诊断，将模糊故障均赋予整数标识“1”。

步骤D、构造初始训练样本集，训练初始动态反馈神经网络，由动态反馈神经网络拟合测试节点与故障之间的非线性映射关系；具体包括：

步骤D1、将待选测试节点由0、1数值表示，其中0表示该测试节点没有被选择，1表示该测试节点被选择，结合故障整数编码信息，按照以下方法构造初始训练样本集：

假设有n个测试节点，m种故障模式，由故障整数编码表可知，每个测试节点对应一个故障模式整数编码向量，首先将测试节点数值化，得到n个测试节点向量分别是[1，0，0，..0]，[0，1，0，...0]，...[0，0，0，...，1]；将这些向量作为动态反馈神经网络的输入数据，则动态反馈神经网络的输入层神经元个数是n，每个测试节点对应的故障模式整数编码向量作为神经网络的输出值，则动态反馈神经网络的输出层神经元个数是m；如果是第d个测点被选择，则输入向量中第d个数为1，其它为零；神经网络的输出表示选择测点集合下相应的输出故障模式整数编码向量，如果是多个测点被选择，则神经网络的输出按以下公式计算得到：

if fault_j(node₁＝1)＝fault_j(node₂＝1)＝...＝fault_j(node_r＝1)＝0，fault_j＝0

else  fault_j＝1

上式中假设有r个测试节点被选择；

在故障字典整数编码表中，如果第j个故障模式的整数编码均为0，则r个测点同时被选择后，新的故障整数编码为0，否则为1；

步骤D2、根据初始训练样本集对反馈神经网络进行训练，具体包括：

步骤D2-1、凭经验设定反馈神经网络结构和各层参数；

步骤D2-2、将初始训练样本集输入反馈神经网络得到反馈神经神经网络的初始参数；

步骤D2-3、对训练样本加以微扰，构造多组新的样本，将多组新样本数据输入神经网络进行训练，并计算根据期望输出d_t和实际输出y_t之间产生的误差；用下式计算产生的误差error：

$\mathrm{error}=\frac{1}{2}\underset{t=1}{\overset{m}{\mathrm{\Σ}}}{(d_t-y_t)}^2$

其中，m是输出层神经元的个数；

步骤D2-4、分析反馈单元对隐层神经元加权后对网络输出的影响，利用梯度下降算法反复修正网络结构中各项参数值，实现网络参数的动态自校正。

如图2所示，本发明中使用的反馈神经网络由3层神经元组成：

第一层：输入层，该层神经元的主要作用就是将输入数据传给第2层，且该层神经元的个数与待选测试节点的个数相等，并且每个神经元与待选测试节点一一对应。

第二层：隐层，隐层中神经元的个数一般由设计者自定，可由反复实验得到最佳的隐层神经元的个数，隐层与前后两层之间的信息传递强度用权重W，隐层的输出取决于该层的输入与权重的乘积之和。

第三层：输出层，本发明中输出层的神经元个数与设定的故障模式数相等，每个输出层神经元与一类故障模式一一对应，其输出标识为0、1，其中0表示该类故障模式能被完全隔离，1表示该类故障是模糊故障，不能故障诊断出。

步骤E、根据动态反馈神经网络的输出计算，利用遗传优化算法选取最优测试节点集合，其中遗传优化算法的目标函数如下：

$\arg \mathrm{Max}(m-\underset{k=1}{\overset{m}{\mathrm{\Σ}}}\mathrm{output}\left({\mathrm{fault}}_k\right))$

上式中output(fault_k)表示动态反馈神经网络中输出层的第k个神经元的输出值，m是输出层神经元的个数。

本发明利用遗传优化算法进行最优测试节点集合寻优的过程如图3所示，包括以下步骤：

步骤E1、初始化。遗传算法的初始化包括种群和参数值的初始化。本发明中种群表示测试节点集合。将所有可选的测试节点按顺序排列。通过二进制编码表示种群，假设有n个待测节点，则种群的范围设置为“00...01”～“11...11”(序列共有n位)，其中“0”表示其相应位置的测试节点没有被选择，而“1”表示其相应位置的测试节点被选择。另外还需初始化算法参数，如选择概率、交叉概率、变异概率等，通过反复实验确定最佳参数值。另外，还需设置最大迭代次数，本发明中最大迭代次数设置为5000。

步骤E2、将代表测试节点集合的种群输入动态反馈神经网络模型进行训练得到网络的输出值，网络的输出值代表测点集合对应输出的故障模式整数编码向量的融合信息。

步骤E3、根据网络的输出值计算遗传算法的目标函数值，其中目标函数值的计算公式如下所示：

$\arg \mathrm{Max}(m-\underset{k=1}{\overset{m}{\mathrm{\Σ}}}\mathrm{output}\left({\mathrm{fault}}_k\right))$

上式中output(fault_k)表示动态反馈神经网络中输出层的第k个神经元的输出值。

步骤E4、判断算法是否满足最大的循环迭代次数。如果是，则最大目标函数值对应的种群个体值为最佳的测试节点集合。否则执行选择、交叉和变异操作，生成新的代表测试节点集合的种群，重复执行E2步骤。其中选择操作采用轮盘赌选择算法，选择当前种群中个体适应度值高的个体进入下一代种群。交叉操作采用单点交叉算法，在个体编码中随机设置一个交叉点，然后在该点相互交换两个配对个体的部分染色体。另外为了改善遗传算法的局部搜索能力和维持种群的多样性，变异操作采用均匀变异算法，即分别用符合某一范围内均匀分布的随机数，以某一较小的概率来替换个体编码串中各个基因座上的原有基因值。

Claims (8)

1.一种基于动态反馈神经网络建模的模拟电路测试节点选择方法，其特征在于，包括以下步骤：

步骤A、选择测试信号的频率；

步骤B、对待测电路输入测试信号，模拟各种典型的故障状态，在待测电路的所有可测节点上采集电路的正常样本和故障样本的电压值，构造故障字典表，其中故障字典表中的行表示所有的待选测试节点，列表示每类故障的节点电压值；

步骤C、根据故障模糊电压区间，分析模糊故障集合，并得到故障整数编码表，其中故障整数编码表中的行表示所有的测试节点，列表示每类故障对应的整数编码；

步骤D、构造初始训练样本集，训练初始动态反馈神经网络，由动态反馈神经网络拟合测试节点与故障之间的非线性映射关系；

步骤E、根据动态反馈神经网络的输出，利用遗传优化算法选取最优测试节点集合，其中遗传优化算法的目标函数如下：

$\arg \mathrm{Max}(m-\underset{k=1}{\overset{m}{\mathrm{\Σ}}}\mathrm{output}\left({\mathrm{fault}}_k\right))$

上式中output(fault_k)表示动态反馈神经网络中输出层的第k个神经元的输出值，m是输出层神经元的个数。

2.如权利要求1所述基于动态反馈神经网络建模的模拟电路测试节点选择方法，其特征在于，步骤C中的故障整数编码表具体按照以下方法得到：

步骤C1、考虑待测电路中元件的容差，采用蒙特卡罗分析方法得到每类故障模式的多组节点电压值样本，并用统计方法得到每类故障样本的均值和均方差，因此每类故障模式的模糊区间为[故障均值-故障均方差，故障均值+故障均方差]；

步骤C2、分析所有故障模式的模糊区间，进行故障诊断编码，如果故障的模糊区间与其它故障模糊区间完全不相交，则该故障为完全被隔离，将此类故障赋予整数标识“0”；如果故障的模糊区间与其它故障模糊区间相交，则为模糊类故障，模糊区间相互交叉的故障不能被正确诊断，将模糊故障均赋予整数标识“1”。

3.如权利要求2所述基于动态反馈神经网络建模的模拟电路测试节点选择方法，其特征在于，待测电路中电阻和/或电容的容差范围为5％。

4.如权利要求2所述基于动态反馈神经网络建模的模拟电路测试节点选择方法，其特征在于，采用蒙特卡罗分析方法时的试验次数为50。

5.如权利要求1所述基于动态反馈神经网络建模的模拟电路测试节点选择方法，其特征在于，所述步骤D具体包括：

步骤D1、将待选测试节点由0、1数值表示，其中0表示该测试节点没有被选择，1表示该测试节点被选择，结合故障整数编码信息，按照以下方法构造初始训练样本集：

假设有n个测试节点，m种故障模式，由故障整数编码表可知，每个测试节点对应一个故障模式整数编码向量，首先将测试节点数值化，得到n个测试节点向量分别是[1，0，0，..0]，[0，1，0，...0]，...[0，0，0，...，1]；将这些向量作为动态反馈神经网络的输入数据，则动态反馈神经网络的输入层神经元个数是n，每个测试节点对应的故障模式整数编码向量作为神经网络的输出值，则动态反馈神经网络的输出层神经元个数是m；如果是第d个测点被选择，则输入向量中第d个数为1，其它为零；神经网络的输出表示选择测点集合下相应的输出故障模式整数编码向量，如果是多个测点被选择，则神经网络的输出按以下公式计算得到：

if fault_j(node₁＝1)＝fault_j(node₂＝1)＝...＝fault_j(node_r＝1)＝0，fault_j＝0

else fault_j＝1

上式中假设有r个测试节点被选择；

在故障字典整数编码表中，如果第j个故障模式的整数编码均为0，则r个测点同时被选择后，新的故障整数编码为0，否则为1；

步骤D2、根据初始训练样本集对反馈神经网络进行训练，具体包括：

步骤D2-1、凭经验设定反馈神经网络结构和各层参数；

步骤D2-2、将初始训练样本集输入反馈神经网络得到反馈神经神经网络的初始参数；

步骤D2-3、对训练样本加以微扰，构造多组新的样本，将多组新样本数据输入神经网络进行训练，并计算根据期望输出d_t和实际输出y_t之间产生的误差；用下式计算产生的误差error：

$\mathrm{error}=\frac{1}{2}\underset{t=1}{\overset{m}{\mathrm{\Σ}}}{(d_t-y_t)}^2$

其中，m是输出层神经元的个数；

步骤D2-4、分析反馈单元对隐层神经元加权后对网络输出的影响，利用梯度下降算法反复修正网络结构中各项参数值，实现网络参数的动态自校正。

6.如权利要求1所述基于动态反馈神经网络建模的模拟电路测试节点选择方法，其特征在于，步骤A中所述选择测试信号的频率，是根据类内类间距离选择最优频率，具体按照以下方法：

步骤A1、获取待测电路的幅频响应曲线；

步骤A2、选择幅频响应曲线上的拐点及其附近的频率，作为待选频率集合；

步骤A3、将待选频率集合分别加载到待测电路上，设置多种典型的故障模式，在电路输出节点处采集故障状态下的电压值作为故障信息，并由多层小波变换提取故障信息的细节系数的能量熵值作为故障特征；

步骤A4、计算所有待选频率下所有故障类的类内类间距离，选择类内类间距离最大的频率作为最优测试频率。

7.如权利要求1所述基于动态反馈神经网络建模的模拟电路测试节点选择方法，其特征在于，所述步骤E具体包括：

步骤E1、将所有可选的测试节点按顺序排列，通过二进制编码表示种群，假设有n个待测节点，则种群的范围设置为“00...01”～“11...11”，其中“0”表示其相应位置的测试节点没有被选择，而“1”表示其相应位置的测试节点被选择；初始化算法参数并设置最大迭代次数；

步骤E2、将代表测试节点集合的种群输入动态反馈神经网络模型进行训练得到网络的输出值，网络的输出值代表测点集合对应输出的故障模式整数编码向量的融合信息；

步骤E3、根据网络的输出值计算遗传算法的目标函数值，其中目标函数值的计算公式如下所示：

$\arg \mathrm{Max}(m-\underset{k=1}{\overset{m}{\mathrm{\Σ}}}\mathrm{output}\left({\mathrm{fault}}_k\right))$

式中output(fault_k)表示动态反馈神经网络中输出层的第k个神经元的输出值；

步骤E4、判断算法是否满足最大的循环迭代次数，如果是，则最大目标函数值对应的种群个体值为最佳的测试节点集合；否则，执行选择、交叉和变异操作，生成新的代表测试节点集合的种群，重复执行E2步骤。

8.如权利要求7所述基于动态反馈神经网络建模的模拟电路测试节点选择方法，其特征在于，所述选择操作采用轮盘赌选择算法，选择当前种群中个体适应度值高的个体进入下一代种群；所述交叉操作采用单点交叉算法，在个体编码中随机设置一个交叉点，然后在该点相互交换两个配对个体的部分染色体；所述变异操作采用均匀变异算法，即分别用符合某一范围内均匀分布的随机数，以某一较小的概率来替换个体编码串中各个基因座上的原有基因值。

Images