毛病特征提取是模仿电路毛病确诊的要害，而模仿电路因为毛病模型杂乱、元件参数的容差、非线性、噪声以及大规模集成化等现象使电路毛病信息表现为多特征、高噪声、非线性的数据集，且遭到特征信号观测手法、预兆提取办法、状况辨认技能、确诊常识齐备程度以及确诊经济性的约束，使模仿电路的毛病确诊技能滞后于数字电路毛病确诊技能而面对巨大的应战。模仿电路毛病确诊本质上等价于模式辨认问题，因而研讨怎么把电路状况的原始特征从高维特征空间压缩到低维特征空间，并提取有用毛病特征以进步毛病确诊率就成了一个重要的课题。本文将扼要介绍部分模仿电路毛病确诊中运用的特征提取办法的原理进程及其优缺点，为进一步的研讨打下根底。
依据核算理论的特征提取
传统的依据核算理论的特征提取办法是考虑测点数据的一阶矩和二阶矩，依据这些测点数据的重要核算特征来下降特征空间维数到达有用特征提取的意图，其间包含依据可分离性原则、K-L改换、主元剖析等特征提取办法。
主元剖析是依据数据样本方差-协方差(相关系数)矩阵的数据特征剖析办法，它从特征有用性的视点，经过线性改换，在数据空间中找一组向量尽可能的解说数据的方差，将数据从本来的高维空间映射到一个低维向量空间，降维后保存数据的首要信息，且主重量间互相独立，然后使数据更易于处理。在模仿电路毛病确诊中，选用主元剖析完成数据压缩和特征提取的进程是：首先将原始特征数据标准化，消除原变量的量纲不同和数值差异太大带来的影响;然后树立数据的相关矩阵，并核算矩阵的特征值及特征向量，并对所得的特征值进行排序;最终依据特征值的方差贡献率选取主元，一般要求累计方差贡献率到达80%到90%即可，确诊体系结构如图1所示。经过主元剖析将特征向量降维后，减少了确诊神经网络的输入，进步了网络练习速度，下降了神经网络的核算杂乱度。
图1 依据主元剖析的模仿电路毛病确诊体系
依据核算理论的特征提取在运用中常常因为概率密度函数的散布问题使最优改换矩阵的核算陷入困境，而高分辩特征提取所需的映射常常对错线性的，因而依据核算理论的线性改换办法在运用时遭到了约束。进一步的研讨方向是其办法的非线性延伸，如非线性主元改换以及和其它特征提取办法的交融运用。
依据小波剖析的特征提取
在电路信号的特征提取中，常选用频谱剖析的办法。可是依据核算剖析的傅立叶剖析仅对不随时刻改变的平稳信号十分有用，关于模仿电路呼应信号中一般含有非平稳或时变信息却不能有用地提取毛病特征。别的，模仿电路中含有很多噪声，若直接将高频成分当作噪声成份放弃会形成有用成分的丢失，若单纯对电路的输出进行剖析，会导致毛病模糊集较多，分辩率不高。而小波剖析所具有的时频部分化特性、杰出的去噪才能，无需体系模型结构的优势使之成为剖析和处理此类信号的有用东西，也是现在在模仿电路毛病确诊范畴运用最多的一种特征提取办法，对模仿电路中的软、硬毛病均适用。
小波剖析的基本原理是经过小波母函数在标准上的弹性和时域上的频移来剖析信号，恰当挑选母函数可使扩张函数具有杰出的部分性，十分合适对非平稳信号进行奇特值剖析，以区别信号的骤变与噪声。现在在模仿电路毛病确诊文献顶用到了小波改换、小波包改换以及多小波改换等来对电路毛病信息进行特征提取，对模仿电路瞬态信号的提取、消除电路噪声和模仿电路特有的元件参数容差具有杰出的作用。
小波剖析技能完成时与神经网络有两种结合办法：一是松懈型结合，二是紧致型结合。松懈型结构是数据预处理选用的最常见的办法，现在紧致型结构的小波神经网络也已成功用于模仿电路的去噪和特征提取。因为紧致型小波神经网络是用非线性小波基替代非线性的sigmoid函数，经过仿射改换树立小波改换与神经网络的衔接，具有更强的迫临才能和收敛速度，不管是用于特征提取仍是毛病确诊都具有显着的优势。紧致型小波神经网络结构如图2所示。
图2 紧致型小波神经网络结构图
小波剖析技能中的多分辩率剖析每次只对信号的低频部分进行分化，高频部分却坚持不动导致了高频部分的分辩率很低。而小波包改换却供给了一种愈加精密的剖析办法，即可一起在低频和高频部分进行分化，以自适应地确认信号在不同频段的分辩率，使分化序列在整个时频域内都有较高的时频分辩率和相同带宽，更有用地进行特征提取。而多小波(Multiwavelet)改换能够一起具有对称性、正交性、短支撑性、高阶消失矩等重要性质，弥补了单小波的缺乏，也开端成为特征提取研讨的热门。其与单小波的多分辩剖析不同之处在于它的一个多分辩剖析是由多个标准函数所生成的，而其结构办法一般能够使用多小波的正交性、对称性、短支撑性和迫临阶次来结构相应的多标准函数和多小波函数。
小波剖析在特征提取中的优势，首要是使用小波基能够用较少非零小波系数去迫临一类实践函数的才能，挑选小波基应该是以最很多的发生接近于零的小波系数为优。小波基的这种才能首要依靠其数学特性――正交性、消失矩、正则性、对称性以及支集长度等来决议。在进行特征提取时挑选不同的母小波，作用会有很大差异，而关于电路的特征剖析中挑选何种小波函数，现在还没有完善的理论指导，多依据经历或试验来确认，因而小波母函数、小波系数、小波网络结构及学习算法的优选问题都是亟待解决的问题。
依据毛病信息量的特征提取
依据毛病信息量的特征提取办法是从不同思路考虑的一种新办法。模仿电路运转进程中若呈现毛病，则电路的特征参数会违背正常状况，特征向量也会发生改变。因而，只需毛病源存在，这种毛病信息就会经过特征参数表现出来。若以信息量作为呈现毛病的测量便能够对电路的状况进行确诊。依照信息理论的观念，特征提取的方针是经过一个特别的信道――即所选用的特征提取办法，使信道的信息最大化，信道丢失最小，其原理如图3所示。
图3 信息传输模型与特征提取模型的比较
依据互信息熵的特征提取就是其间的办法之一，其理论依据是当某特征取得最大互信息熵时，该特征就可取得最大辨认熵增量和最小误辨认概率，然后具有最优特性。因而特征提取就是在电路的初始特征调集中寻觅一个具有最大互信息熵或最小特征条件熵的调集。而最大互信息熵是由体系熵和后验熵决议的，体系熵是必定的，因而后验熵越小，则互信息越大，分类作用就越好，所以有用的特征提取转化为在初始特搜集给定后，寻觅一个具有最大互信息熵或最小后验熵的调集。在特征优化进程中，跟着特征的删去，会发生信息的丢失，使得后验熵趋于添加。后验熵增值巨细反响了删去特征向量引起的信息丢失的状况。按后验熵由小到大摆放，就能够取得对应的特征删去序列。
