○2优化法：优化法中会用到一些函数，基于这些函数，达到的估计故障的要求。优化法主要运用于软故障的诊断，但由于其在线计算量过大，实际操作中运用不多。

（b）模糊诊断

一些比较复杂的电路中，存在很多的非线性问题，那必然就会有模糊现象的出现，非线性问题不是很容易就能解决，因此利用普通方法在解决问题时有一定困难。不过对于要求也没有那么高，没必要做到那么精细，只要将故障隔离就行了。采用一个模糊的概念，去达到这种诊断的目的。

模糊诊断也就是模糊识别，当形成用于判断的函数后，根据在电路中进行测量得到的特征，来确定是否存在故障。并且可以通过一些方法来进行函数的修正，便于高效诊断的实现。

（c）人工智能技术

人工智能[6]作为计算机技术的佼佼者，呈现火热的发展趋势，让自诊断、智能化成为了现实。人们在智能设备、学习工具等多个领域进行研究，目前已经取得了很好的成效。其中专家系统在诊断方面以后不少成功的案例。神经网络技术虽然起步较晚，但由于其突出的自学习、自组织能力，在故障诊断中人深受欢迎。

1.5 神经网络故障诊断方法

模拟电路发展至今已经很久了，但由于模拟电路本身种类繁多，元件参数又具有容差性，会导致很多诊断方法失准。

人工神经网络[7]的提出很大程度上解决了模拟电路故障诊断的一些难题。人类非常善于利用感官来收集信息，并且找出信息源。这种能力也就是模式识别，模式识别是通过学习过程来实现的，神经网络的原理也是一样。当将样本输入神经网络中，它通过学习能够产生记忆，识别特定模式的类别，对于处理一些环境复杂，背景模糊的问题非常有效。

神经网络模式识别如下图1-1所示：

其中，无导师网络用于网络特征提取,源)自(优尔+文=论]文]网[www.youerw.com，有导师网络用于网络输出分类。

故障诊断通过分析测试数据，再联系原始数据，形成对比，在故障维度里进行故障的查找，其中，模式识别是整个过程的中心。

神经网络模式识别框图

神经网络凭借优良的特性，成了故障诊断领域的新宠，总的来说，主要有以下三个原因：

（1）神经网络具有记忆能力，样本在训练时，所有信息都会被网络所记下，然后与后面被输入的数据形成一个对照。

（2）神经网络能够去除环境中的噪音，外围因素无法对它的功能造成影响，不会影响它的判识能力，这一点使得它的应用更加广泛。

（3）神经网络可以自动分辨故障原因和故障类型。

电路中硬故障率约占80%，且大多由电阻开路、电容短路、晶体管开路或短路造成。上文介绍了传统诊断的两种方法：SBT和SAT，神经网络将两者的很多特点联合在了一起，发挥了其独有的特点。