CN116167007A - 基于门控递归单元自编码神经网络的模拟电路检测方法 - Google Patents

Abstract

本申请公开了一种基于门控递归单元自编码神经网络的模拟电路检测方法，涉及模拟电路检测的技术领域。该方法包括：获取原始数据，原始数据为模拟电路在相同采样条件下的多组输出电压信号数据；对原始数据进行小波变换；建立模型，根据小波变换后的原始数据，基于门控递归单元自编码神经网络建立异常检测模型，并设定检测阈值；异常检测，获得来自待测电路的测试数据，通过异常检测模型对测试数据进行重构；基于重构误差与检测阈值获得异常检测结果。上述方法实现了对模拟电路中的异常数据的快速和准确检测。

Description

基于门控递归单元自编码神经网络的模拟电路检测方法

技术领域

本申请涉及模拟电路检测技术领域，特别是涉及一种基于门控递归单元自编码神经网络的模拟电路检测方法。

背景技术

模拟电路本身具有容差性、非线性、建模复杂等特性，当模拟电路中的元器件出现异常时，会极大影响电路的功能，因此针对模拟电路异常的检测方法一直是本领域技术人员研究的热点。特别是由于元件的参数值随着时间或环境条件变化而偏离允许的取值范围所引起的异常，其异常数据与正常数据相差不大，仅依靠经验判断会造成一定程度的遗漏，且若根据经验设定检测阈值，当遇到集成度高的芯片时，不仅工作量大，效率低，而且准确率难以保证。因此，找到一种既客观又兼具效率和准确率的模拟电路异常数据检测方法，是目前亟待解决的问题。

发明内容

本申请的目的在于，针对现有技术中的问题，提供一种基于门控递归单元自编码神经网络的模拟电路检测方法，旨在快速且准确地检测出模拟电路工作数据中的异常序列。

本申请技术方案中提供的模拟电路检测方法，主要包括：

获取原始数据，原始数据为模拟电路在相同采样条件下的多组输出电压信号数据；

对原始数据进行小波变换，以去除原始数据中的噪声和毛刺干扰信号。

建立模型，根据小波变换后的原始数据，基于门控递归单元自编码神经网络建立异常检测模型，并设定检测阈值；本申请技术方案将门控递归单元神经元结合到自编码神经网络中，门控递归单元神经元具有长时间记忆能力，在学习数据时，能够将上一时刻的状态信息一起传递到当前时刻并进行取舍，将需要的信息继续传递到下一时刻，将冗余信息进行遗忘，以此保证重要的有效信息能够持续传递下去，使得记忆过程具有时序性，能够更好地还原长序列时序数据，也能够提高数据重构的准确率。

异常检测，获得来自待测电路的测试数据，通过异常检测模型对测试数据进行重构；基于重构误差与检测阈值获得异常检测结果。

优选地，获取原始数据步骤包括：

获取正常电压信号数据，采集模拟电路中各元件均正常工作时的输出电压信号数据；

和

获取异常电压信号数据，设定模拟电路中的一个元件为异常状态，采集模拟电路该状态下的输出电压信号数据。

优选地，建立模型步骤包括：

将小波变换后的原始数据分为训练集数据、验证集数据以及测试集数据；

模型训练，选取训练集数据中的正常电压信号数据部分，输入至异常检测模型并对其进行训练；

根据验证集数据验证异常检测模型，并且根据验证集数据设置检测阈值。

优选地，训练集数据的占比为60％-75％，验证集数据的占比为10％-15％，测试集数据的占比为15％-25％。

优选地，方法中还包括：

将测试集数据作为异常检测步骤中的测试数据，执行异常检测步骤，根据所获得的异常检测结果评价异常检测模型的准确率；

其中，测试集数据同时包括正常电压信号数据和异常电压信号数据。由于模型建模过程中学习到的是电路正常工作状态下的数据，因此在数据重构时，异常数据会产生较大的误差值。将测试集数据重构误差超过阈值的数据判定为异常数据，实现异常检测，并且能够测试模型的准确率。

优选地，模型训练步骤，包括：

输入训练集数据中的正常电压信号数据部分至门控递归单元自编码神经网络的输入层；

获取来自门控递归单元自编码神经网络的输出层的重构数据；

基于重构数据与输入数据的误差，调整门控递归单元自编码神经网络的隐含层。

优选地，调整门控递归单元自编码神经网络的隐含层，包括：

调整隐含层的层数、神经元数、激活函数以及训练迭代次数，直至误差小于精度误差。

优选地，隐含层的层数为3层，激活函数为线性整流函数，隐含层的初始权值和偏差值为随机生成，调整隐含层权值的方法为适应性矩估计优化算法，误差函数为均方误差函数。

优选地，基于重构数据与输入数据的误差，调整门控递归单元自编码神经网络的隐含层，包括：

当重构数据与输入数据的误差不符合精度误差时，重复执行模型训练步骤；

当重构数据与输入数据的误差符合精度误差时，根据验证集数据验证异常检测模型，并且根据验证集数据设置检测阈值。

优选地，根据验证集数据设置检测阈值包括：

在模型训练步骤后，将验证集数据输入异常检测模型，获取验证集重构数据；

根据验证集重构数据的误差结合精确率和召回率曲线的交点确定检测阈值。

本申请技术方案通过小波变换去除数据中的噪声和毛刺干扰，使得异常数据特征更明显，通过门控递归单元自编码神经网络学习模拟电路正常工作状态下的输出电压信号数据的分布特征，从而重构正常数据，由于异常数据分布特征与正常数据分布特征不同，在数据重构时会出现较大的误差，以此实现异常检测。

另一方面，通过门控递归单元自编码神经网络实现输出电压信号数据的重构，门控递归单元神经元具有良好的长期记忆能力，在传递长时序数据时，不仅能够保留数据中的有效信息，也能够筛选掉冗余信息，保证长时序数据中的有效信息不会随着数据的传递而丢失，以此自编码神经网络能够更好地学习正常数据的分布特征，提高数据重构的准确率，从而提高异常检测的准确率，也即能够快速且准确的检测出模拟电路工作数据中的异常序列。

附图说明

为了更清楚地说明本申请实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本申请的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。

图1为本申请实施例提供的检测方法流程图；

图2为本申请实施例提供的建立异常检测模型的流程图；

图3为用于验证实施例提出的模拟电路检测方法所采用的四运放二阶高通滤波器的电路结构；

图4为本申请实施例提供的小波变换后的输出节点电压示意图；

图5为本申请实施例提供的门控递归单元自编码神经网路的示意图；

图6为本申请实施例提供的检测阈值的曲线示意图；

图7为本申请实施例提供的检测结果示意图；

图8为作为比较例的基于传统自编码神经网络的检测方法的结果示意图。

具体实施方式

为使本申请的上述目的、特征和优点能够更加明显易懂，下面结合附图和具体实施方式对本申请实施例作进一步详细的说明。

正如前文描述，针对模拟电路异常的检测，依靠传统经验判断存在工作量大，效率低，准确率不高等不足。相对来说，采用数据处理的方法从模拟电路中提取异常数据特征进行检测更为客观，比如目前典型的方法为采用自编码神经网络方法，但是该方法在传递数据时只是逐层提取特征，没有考虑到前一时刻隐含层的状态信息对当前时刻输入的影响，因此在预测长序列数据时偏差较大，不具有长期记忆的特性，且随着序列长度的增加还会出现梯度消失或梯度爆炸的问题。

有鉴于此，本申请提供一种基于门控递归单元自编码神经网络的模拟电路检测方法。如图1所示，该图为上述检测方法的流程图，该方法包括如下步骤：

在相同的采样条件下，获取模拟电路中的多组输出电压信号数据，作为原始数据。其中多组输出电压信号数据包括模拟电路在正常工作状态和异常工作状态下的输出节点的电压信号数据。例如在其中一个具体的实施方式中，模拟电路处于正常的工作状态下，考虑元件本身的容差状态，设置电阻的容差为5％，电容的容差为10％。若容差浮动超过30％则认为模拟电路存在异常，此时采集的数据即为模拟电路在异常工作状态下的电压信号数据。

对上述的多组输出电压信号数据进行小波变换。不难理解，在获取多组输出电压信号数据的过程中，电子器件的工作环境中不可避免地存在干扰因素，例如噪声，通过小波变换对输出电压信号数据进行预处理，消除输出电压信号数据中的噪声和毛刺干扰信号，得到异常特征更明显的有效数据，从而更准确地检测模拟电路工作数据中的异常序列。

其中，上述的小波变换可将信号分解为一系列小波函数的叠加，而这些小波函数都是一个母小波经过平移和尺寸伸缩得来的，母小波的选择决定了小波变换的效果。小波变换在时域频域都具有表征信号局部特征的能力，在低频部分具有较低的时间分辨率和较高的频率分辨率，在高频部分具有较高的时间分辨率和较低的频率分辨率，因而适用于处理非平稳信号和提取信号特征。

建立模型，具体包括根据小波变换后的输出电压信号数据建立正常工作状况下的门控递归单元自编码神经网络异常检测模型(以下简称异常检测模型)；并且，设定异常检测模型的检测阈值。

利用上述模型进行异常检测，根据异常检测模型对来自待测电路的测试数据进行重构；

基于重构误差与所述检测阈值，将重构误差超过检测阈值的测试数据判定为异常数据，获得异常检测结果。

在其中一个实施方式中，获取模拟电路的多组输出电压信号数据的步骤包括在相同的采样条件下，使用蒙特卡洛分析法在输出节点采集模拟电路的正常电压信号，设置某一元件为异常状态，其余元件处于正常状态，并且保持相同采样条件下，使用蒙特卡洛分析法在输出节点采集模拟电路的异常电压信号。

在其中一个实施方式中，将小波变换后的原始数据分为训练集数据、验证集数据以及测试集数据；

以此为前提，如图2所示，还包括：

模型训练，选取训练集数据中的正常电压信号数据部分，输入至异常检测模型并对其进行训练；

根据验证集数据验证异常检测模型，并且根据验证集数据设置检测阈值。

此外，将测试集数据作为异常检测步骤中的测试数据，执行异常检测步骤，根据所获得的异常检测结果评价异常检测模型的准确率。

在一个典型实施例中，训练集数据的占比为60％-75％，验证集数据的占比为10％-15％，测试集数据的占比为15％-25％。

在其中一个实施方式中，建立的异常检测模型的结构包括输入层、隐含层以及输出层。在模型的训练过程中，输入层用于接收小波变换后模拟电路处于正常工作状态下的训练集数据，输出层输出训练集数据的重构数据，判断重构数据与输入数据之间的误差是否符合精度误差；若不符合精度误差，则调整隐含层的层数、神经元数、激活函数以及训练迭代次数，直至重构数据与输入数据之间的误差小于精度误差；若符合精度误差，则使用验证集数据对异常检测模型进行验证，确定门控递归单元自编码神经网络异常检测模型的参数已经达到最优，验证集数据重构误差结合精确率和召回率曲线交点确定检测阈值。

解释性的，精确率表示所有被预测为正的样本中实际为正的样本的概率，召回率表示实际为正的样本中被预测为正的样本的概率。精确率和召回率是相互牵制互相平衡的两个指标，随着精确率逐渐增大，召回率会逐渐减小，因此精确率和召回率的交点是性能最好的点，如图6所示，交点的横坐标便为检测阈值。

在一个典型实施例中，隐含层的层数设置为3层，隐含层的激活函数采用线性整流函数，隐含层的初始权值和偏差值为随机生成的，权值能够通过适应性矩估计优化算法进行调整，隐含层的误差函数采用均方误差函数。

根据本申请的实施方式，上述的优化异常检测模型还包括调整异常检测模型的网络结构及相关参数。

本申请的实施例还包括一种计算机设备，其包括：存储器，处理器以及存储在存储器上并能够在处理器上运行的计算机程序，处理器通过执行该程序，实现上述基于门控递归单元自编码神经网络的模拟电路检测方法。

本申请的实施例还包括一种计算机可读存储介质，其中计算机可读存储介质中存储有指令，当指令在终端设备上运行时，使得终端设备执行上述的基于门控递归单元自编码神经网络的模拟电路检测方法。

实例

为了验证前述实施例提供的模拟电路检测方法，以下以四运放二阶高通滤波器电路作为待测电路为例做进一步详细说明。待测电路结构如图3所示，

图3中的四运放二阶高通滤波器处于正常工作状态时，设置的电阻和电容分别为：

R₁＝R₂＝R₃＝6.2kΩ，R₄＝1.6kΩ，R₅＝R₆＝5.1kΩ，R₇＝R₈＝R₉＝R₁₀＝10kΩ，

C₁＝C₂＝5μF。

考虑元件本身的容差变化，设置电阻容差为5％，电容容差为10％，若浮动超过容差的30％时判定为异常。被测电路的激励信号设置为1kHz-1V交流激励。

当四运放二阶高通滤波器电路(以下简称滤波器电路)中的各个元件的容差处于设定的范围内时，滤波器电路处于正常的工作状态。此时设置其中一个元件的容差超过设定范围的30％，其余元件处于正常的工作状态下，则判定滤波器电路处于异常的工作状态下。

在相同的工作状态下，以相同的时间间隔利用蒙特卡洛分析法对滤波器电路输出节点电压信号V(6)进行多次采集，获得多组输出电压信号数据。经过参数扫描和灵敏度分析，得到R₁，R₃，C₁，C₂的变化对输出节点电压的影响最大，由此选择R₁，R₃，C₁，C₂为单异常检测元器件。本例中设定的滤波器异常状态如下表(表1)所示。

表1滤波器异常状态设定

异常元件	标称值	容差范围	异常值
				R1↓	6.2kΩ	5％	4kΩ
R3↑	6.2kΩ	5％	10kΩ
				C1↓	5uF	10％	3uF
C2↓	5uF	10％	3uF

蒙特卡洛分析法假定元件容差符合高斯分布，采用随机抽样得到元件参数的随机抽样数值，对这些随机抽样数值元件进行瞬态分析，可以评估出电路性能。

在本例中，滤波器电路正常工作状态下和异常工作状态下分别进行50次蒙特卡洛分析，仿真时间设为0.1s，每一次蒙特卡洛分析产生1610个数据，则共采集到输出节点电压信号的样本矩阵为(8050，50)。

实例中，采用WDEN函数进行小波变换，采用固定式阈值，软阈值使用方式，根据每一层小波分解的噪声水平估计进行调整，选择sym8小波函数，经过试验发现当分解层数为4层时信号去噪效果最好，既能够保持原有的信号特征，又能够去除掉噪声和毛刺干扰信号，本实例的输出节点的电压信号小波变换后如图4所示。

本例中，利用门控递归单元自编码神经网络建立模拟电路正常工作状态下的异常检测模型，自编码神经网络是一种对称结构的神经网络，其输入的神经元数与输出神经元数相同，输入层和隐含层可称为编码器，隐含层和输出层可称为解码器，利用无监督学习方式对数据进行训练，编码器的目的是找到最能代表数据本质特征的向量表达，解码器则是利用该向量表达重构数据，采用均方误差作为误差函数，若重构的输出数据与输入数据符合误差函数要求，则认为自编码神经网络学习到了数据最优的向量表达。均方误差可根据实际需求设定，均方误差越小，准确度越高。自编码神经网络具有特征融合的性能，但是当学习长序列的时序数据时，自编码神经网络仍具有一些不足，无法考虑到长序列时序数据之间的状态信息传递关系，导致在重构长序列时序数据时，数据偏差较大。因此本实例的门控递归单元神经元与自编码神经网络相结合，门控递归单元神经元具有长时间记忆能力，在学习数据时，能够将上一时刻的状态信息一起传递到当前时刻并进行取舍，将需要的信息继续传递到下一时刻，将冗余信息进行遗忘，以此保证重要的有效信息能够持续传递下去，使得记忆过程具有时序性，能够更好的还原长序列时序数据。

本申请中的门控递归单元自编码神经网络的结构如图5所示。其中，数据在门控递归单元自编码神经网络中重构的过程如下式所示：

输入数据到编码器的隐含层状态为：

u_t,1＝ReLU(w₁x_t+w₂h_t-1+b₁) (1)

当前时刻的输入x_t以及上一时刻编码器的隐含层状态h_t-1在线性整流函数(Rectified Linear Unit，ReLU)的映射下获得当前时刻编码器的隐含层状态信息u_t,1。

u_t,m＝ReLU(w₃u_t,m-1+w₄h_t-1+b_m) (2)

编码器、解码器和隐含层之间的映射关系相同。当前时刻编码器第m-1层隐含层状态信息u_t,m-1以及前一时刻编码器隐含层状态h_t-1在线性整流函数的映射下获得当前时刻编码器第m层隐含层状态信息u_t,m，输入序列末尾的编码器隐含层状态信息作为解码器的初始状态信息。

x_t'＝w₅u_t,m+w₆h_t+b_t (3)

x_t-1'＝w₇u_t-1,m+w₈h_t-1+b_t-1 (4)

当前时刻解码器的初始状态信息u_t,m以及当前时刻解码器的隐含层状态h_t进行线性映射从而获得当前时刻的重构输出x_t'。以这样的方式继续逆序重构数据。

h_t＝GRU(x_t,h_t-1,u_t,m) (5)

隐含层状态的更新过程利用门控递归单元(Gated Recurrent Unit,GRU)神经元完成，更新过程中对当前时刻的输入x_t，前一时刻的隐含层状态h_t-1，以及隐含层当前时刻所包含的状态信息u_t,m进行取舍，将有效信息继续传递下去。

门控递归单元自编码神经网络在重构数据过程中不仅考虑到了当前时刻的状态也考虑到了前一时刻隐含层所包含的状态信息，使得信息的传递具有时序性。在数据重构过程中，考虑到前面神经元节点记忆的信息对当前数据重构的影响，使得提取到的数据特征更丰富，能够提高数据重构的准确率并且实现长序列时序数据的重构。

利用门控递归单元自编码神经网络对模拟电路正常工作状态下的输出电压信号数据建模，模型训练完成后，输入需要检测的测试数据，由于异常数据与正常数据的分布特征不同，通过门控递归单元自编码神经网络重构时会产生较大误差，结合精确率和召回率曲线交点确定的检测阈值，超过检测阈值的数据即判定为异常数据，实现对模拟电路的异常检测。

本例的异常检测模型通过训练门控递归单元自编码神经网络得到，模型的搭建由Python3.6完成，步骤如图2所示。其中，根据上文提及，本例中，共采集到(8050，50)组样本数据，包含滤波器电路正常工作状态下的数据以及异常工作状态下的数据。通过训练集数据建立网络结构，设置隐含层的数量为3层，第一层50个GRU神经元，第二层5个GRU神经元，第三层50个GRU神经元，选择线性整流函数作为激活函数，设置输出层50个全连接神经元，分别对应50组样本数据的输出。经试验测得，网络训练100次，异常检测模型的准确率效果最好。

例中，采用适应性矩估计优化算法来反向调整网络权值和偏差值，采用均方误差函数优化模型，减小重构数据与输入数据之间的误差值，提高模型重构数据的准确率，最终提高异常检测的准确率。

向输入层输入小波变换后的电压信号的训练集数据后，学习正常数据的分布特征。通过门控递归单元神经元良好的长期记忆能力提取正常数据的分布特征，以此再结合自编码神经网络重构数据，提高数据重构的准确率。

在本实例中，精度误差根据实际需求设定，精度误差越小，异常检测模型的准确率越高。

通过验证集数据的重构数据分类结果可以计算出精确率和召回率，精确率和召回率曲线如图6所示，图中的横坐标表示阈值，纵坐标表示精确率/召回率，数值最高是1。图6中的直线表示精确率，随着阈值的增大，精确率逐渐增大至1。图6中的虚线表示召回率，随着阈值的增大，召回率逐渐从1减小到0。直线和虚线的交点处的精确率和召回率都处于0.9，准确率最高，交点的横坐标即为设定的检测阈值，本实例所设定的检测阈值为0.14。

需要补充的是，在本实例中，测试集数据输入门控递归单元自编码神经网络异常检测模型中，测试集数据中含有正常数据和异常数据，由于模型建模过程中学习到的是滤波器电路正常工作状态下的数据，因此在数据重构时，异常数据会产生较大的误差值。

由此，结合设定的检测阈值，将测试集数据重构误差超过阈值的数据判定为异常数据，实现异常检测。异常检测结果如图7所示，按照准确率的形式展示在混淆矩阵中，准确率最高是1，颜色越深表明准确率越高。

图7中的横坐标表示检测类别，纵坐标表示实际类别。实际类别是正常数据，检测结果也是正常数据的准确率是0.98；实际类别是异常数据，检测结果也是异常数据的准确率是0.90；所以，基于门控递归单元自编码神经网络的滤波器电路的异常检测准确率是0.90。

图8为相同条件下的小波变换和传统自编码神经网络的异常检测方法的示意图，图8中横坐标表示检测类别，纵坐标表示实际类别。实际类别是正常数据，检测结果也是正常数据的准确率是0.94；实际类别是异常数据，检测结果也是异常数据的准确率是0.66；所以，基于小波变换和传统自编码神经网络的滤波器电路的异常检测准确率是0.66。

通过图7和图8的对比得知，本实例的检测效果优于传统的检测效果，本申请的准确率更高，能够更好地提取异常数据特征，并且提高了数据重构的准确率，从而提高了异常检测的准确率。

还需要说明的是，在本文中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。

本申请提供的检测方法、装置、计算机设备和存储介质可用于模拟电路检测领域。上述仅为示例，并不对本申请提供的一种异常检测方法、装置、计算机设备和存储介质的应用领域进行限定。

以上所述，仅为本申请的一种具体实施方式，但本申请的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本申请揭露的技术范围内，可轻易想到的变化或替换，都应涵盖在本申请的保护范围之内。因此，本申请的保护范围应该以权利要求的保护范围为准。

Claims (10)

1.一种基于门控递归单元自编码神经网络的模拟电路检测方法，其特征在于，包括：

获取原始数据，所述原始数据为模拟电路在相同采样条件下的多组输出电压信号数据；

对所述原始数据进行小波变换；

建立模型，根据所述小波变换后的原始数据，基于门控递归单元自编码神经网络建立异常检测模型，并设定检测阈值；

异常检测，获得来自待测电路的测试数据，通过所述异常检测模型对所述测试数据进行重构；基于重构误差与所述检测阈值获得异常检测结果。

2.根据权利要求1所述的模拟电路检测方法，其特征在于，所述获取原始数据的步骤包括：

获取正常电压信号数据，采集模拟电路中各元件均正常工作时的输出电压信号数据；

和

获取异常电压信号数据，设定模拟电路中的一个元件为异常状态，采集模拟电路该状态下的输出电压信号数据。

3.根据权利要求2所述的模拟电路检测方法，其特征在于，所述建立模型的步骤包括：

将所述小波变换后的原始数据分为训练集数据、验证集数据以及测试集数据；

模型训练，选取所述训练集数据中的所述正常电压信号数据部分，输入至所述异常检测模型并对其进行训练；

根据所述验证集数据验证所述异常检测模型，并且根据所述验证集数据设置所述检测阈值。

4.根据权利要求3所述的模拟电路检测方法，其特征在于，所述训练集数据的占比为60％-75％，所述验证集数据的占比为10％-15％，所述测试集数据的占比为15％-25％。

5.根据权利要求3所述的模拟电路检测方法，其特征在于，还包括：

将所述测试集数据作为所述异常检测步骤中的测试数据，执行所述异常检测步骤，根据所获得的异常检测结果评价所述异常检测模型的准确率；

其中，所述测试集数据同时包括所述正常电压信号数据和所述异常电压信号数据。

6.根据权利要求3任一项所述的模拟电路检测方法，其特征在于，所述模型训练步骤，包括：

输入所述训练集数据中的正常电压信号数据部分至所述门控递归单元自编码神经网络的输入层；

获取来自所述门控递归单元自编码神经网络的输出层的重构数据；

基于所述重构数据与输入数据的误差，调整所述门控递归单元自编码神经网络的隐含层。

7.根据权利要求6所述的模拟电路检测方法，其特征在于，所述调整所述门控递归单元自编码神经网络的隐含层，包括：

调整隐含层的层数、神经元数、激活函数以及训练迭代次数，直至所述误差小于精度误差。

8.根据权利要求6所述的模拟电路检测方法，其特征在于，所述隐含层的层数为3层，激活函数为线性整流函数，隐含层的初始权值和偏差值为随机生成，调整隐含层权值的方法为适应性矩估计优化算法，误差函数为均方误差函数。

9.根据权利要求6所述的模拟电路检测方法，其特征在于，所述基于所述重构数据与输入数据的误差，调整所述门控递归单元自编码神经网络的隐含层，包括：

当所述重构数据与输入数据的误差不符合精度误差时，重复执行所述模型训练步骤；

当所述重构数据与输入数据的误差符合精度误差时，根据所述验证集数据验证所述异常检测模型，并且根据所述验证集数据设置所述检测阈值。

10.根据权利要求3所述的模拟电路检测方法，其特征在于，所述根据所述验证集数据设置所述检测阈值包括：

在所述模型训练步骤后，将所述验证集数据输入所述异常检测模型，获取验证集重构数据；

根据所述验证集重构数据的误差结合精确率和召回率曲线的交点确定检测阈值。

Images