0 引言

　　自20世紀70年代以來，模擬電路故障診斷領域已經取得了一定的研究成果，近年來，基于神經網絡技術的現代模擬電路軟故障診斷方法已成為新的研究熱點，神經網絡的泛化能力和非線性映射能力，使之能夠適用于解決模擬電路故障診斷中的容差和非線性問題，但在軟故障實際檢測中，由于不同的分類故障之間又不可避免地存在著模糊性，即不同的分類故障可能有相同或相近的故障特征向量，而這僅僅靠神經網絡的泛化能力是無法解決的。而量子神經網絡被認為是一種具有固有模糊性的網絡，它的隱層單元采用多量子能級變換函數，每個多能級變換函數是一系列具有量子間隔偏移的S型函數之和，能將決策的不確定性數據合理地分配到各類故障中，從而減少故障識別的不確定度，提高模式識別的準確性。

　　文章提出了容差模擬電路軟故障診斷的小波與量子神經網絡方法，利用MonteCarlo分析解決電路容差問題，又利用小波分析，取其能反映故障信號特征的成分做為電路故障特征，再輸入給量子神經網絡。不僅解決了一個可測試點問題，并提高了辨識故障類別的能力，而且在網絡訓練之前，利用主元分析降低了網絡輸入維數。通過實驗可以看出，這種方法不僅能實現模擬電路單軟軟故障診斷，也能實現多軟軟故障診斷，實驗統計結果表明：故障診斷率為100％。

　　1 主元分析

　　主元分析即主成份分析(Principal Component Analysis，簡稱PCA)，它是最古老的多元統計分析技術之一。主成份分析方法可以將數據從高維數據空間變換到低維特征空間，因而可以用于數據的特征提取及壓縮等方面。其實質是將研究對象的多個相關變量轉化為少數幾個不相關變量的一種多元統計方法。它基于Karhunen－Loeve分解，目的是在數據空間中找一組向量盡可能的解釋數據的方差，通過一個特殊的向量矩陣，將數據從原來的高維空間映射到一個低維向量空間，降維后保存了數據的主要信息，從而使數據更易于處理。

　　2 小波分析

　　小波變換的含義是：把一稱為基本小波的函數ψ(t)做位移τ后，再在不同尺度α下與待分析信號χ(t)做內積。