0 引言

　　自20世纪70年代以来，模拟电路故障诊断领域已经取得了一定的研究成果，近年来，基于神经网络技术的现代模拟电路软故障诊断方法已成为新的研究热点，神经网络的泛化能力和非线性映射能力，使之能够适用于解决模拟电路故障诊断中的容差和非线性问题，但在软故障实际检测中，由于不同的分类故障之间又不可避免地存在着模糊性，即不同的分类故障可能有相同或相近的故障特征向量，而这仅仅靠神经网络的泛化能力是无法解决的。而量子神经网络被认为是一种具有固有模糊性的网络，它的隐层单元采用多量子能级变换函数，每个多能级变换函数是一系列具有量子间隔偏移的S型函数之和，能将决策的不确定性数据合理地分配到各类故障中，从而减少故障识别的不确定度，提高模式识别的准确性。

　　文章提出了容差模拟电路软故障诊断的小波与量子神经网络方法，利用MonteCarlo分析解决电路容差问题，又利用小波分析，取其能反映故障信号特征的成分做为电路故障特征，再输入给量子神经网络。不仅解决了一个可测试点问题，并提高了辨识故障类别的能力，而且在网络训练之前，利用主元分析降低了网络输入维数。通过实验可以看出，这种方法不仅能实现模拟电路单软软故障诊断，也能实现多软软故障诊断，实验统计结果表明：故障诊断率为100％。

　　1 主元分析

　　主元分析即主成份分析(Principal Component Analysis，简称PCA)，它是最古老的多元统计分析技术之一。主成份分析方法可以将数据从高维数据空间变换到低维特征空间，因而可以用于数据的特征提取及压缩等方面。其实质是将研究对象的多个相关变量转化为少数几个不相关变量的一种多元统计方法。它基于Karhunen－Loeve分解，目的是在数据空间中找一组向量尽可能的解释数据的方差，通过一个特殊的向量矩阵，将数据从原来的高维空间映射到一个低维向量空间，降维后保存了数据的主要信息，从而使数据更易于处理。

　　2 小波分析

　　小波变换的含义是：把一称为基本小波的函数ψ(t)做位移τ后，再在不同尺度α下与待分析信号χ(t)做内积。