买专利卖专利找龙图腾，真高效！ 查专利查商标用IPTOP,全免费！专利年费监控用IP管家,真方便！

龙图腾网获悉桂林电子科技大学申请的专利一种基于小波散射与集成学习的模拟电路故障诊断方法获国家发明授权专利权，本发明授权专利权由国家知识产权局授予，授权公告号为：CN119939419B 。

龙图腾网通过国家知识产权局官网在2025-12-05发布的发明授权授权公告中获悉：该发明授权的专利申请号/专利号为：202411995909.5，技术领域涉及：G06F18/2431；该发明授权一种基于小波散射与集成学习的模拟电路故障诊断方法是由谈恩民;李瑞凡设计研发完成，并于2024-12-31向国家知识产权局提交的专利申请。

本一种基于小波散射与集成学习的模拟电路故障诊断方法在说明书摘要公布了：本发明公开了一种基于小波散射与集成学习的模拟电路故障诊断方法，以解决模拟电路故障响应混叠导致故障诊断困难的问题。首先通过小波散射变换将电路响应划分为多个频带子集，并利用Fisher判别分析增强子集故障特征；其次将每个频带子集分别送入Bagging集成下不同的极限学习机，频带子集中每种故障模式的分类准确率作为该极限学习机的类别权重，然后将各极限学习机的输出值进行加权得到融合后的输出结果，依此确定故障类别；最后通过两个实例电路进行仿真，仿真结果中诊断准确率为100%，表明本方法具有可行性和有效性，可以实现故障的分类与定位。

本发明授权一种基于小波散射与集成学习的模拟电路故障诊断方法在权利要求书中公布了：1.一种基于小波散射与集成学习的模拟电路故障诊断方法，其特征在于，包括如下步骤： 仿真数据采集阶段： 步骤一，确定被测电路，在仿真软件中对被测电路进行灵敏度分析，确定被测电路中可诊断的元器件； 步骤二，对每个可诊断器件分别设置软故障，在电阻容差5%，电容容差10%的条件下，对每种故障类别分别进行100次蒙特卡洛分析，得到每种故障类别下100个仿真采集样本，仿真采集的样本作为被测电路的输出响应，由此得到仿真数据集； 频带子集提取阶段： 步骤三，将所有采集的输出响应按照7：3或6：4比例划分为训练集响应和测试集响应，训练集响应中的每个样本分别进行小波散射变换，得到每个样本的散射系数矩阵，测试集响应在验证最终诊断效果时，同样使用小波散射变换得到每个测试集响应样本的散射系数矩阵； 步骤四，将训练集响应中每个样本的散射系数矩阵拆分为多个一维样本，并将这些一维样本按照散射通道数重新组合为相同数量的子集，每个子集均由相同的散射通道所产生的卷积系数组成，测试集响应在验证最终诊断效果时，同样使用本步骤方法对测试集响应的散射系数矩阵进行频带子集划分； 故障特征增强阶段： 步骤五，计算每个频带子集全局散度矩阵、类内散度矩阵、类间散度矩阵，依据Fisher判别准则最大化，得出每个频带子集的映射矩阵，映射矩阵与频带子集通过乘积的方式将频带子集投影到多维空间，使映射后的同故障类别样本尽可能地聚集，不同故障类别的样本尽可能地分开，从而实现故障各频带子集的故障特征增强； 特征融合与故障诊断阶段： 步骤六，将增强后的频带子级二次划分出预训练集和预测试集，通过预训练集对Bagging子类极限学习机中的预训练极限学习机进行训练，预测试集对预训练结果进行分类验证，验证结果由各故障类别的分类准确率组成，并以验证结果作为增强后频带子集的类别权重，由此得到各增强后频带子集的类别权重； 步骤七，将Bagging子类极限学习机中的预训练极限学习机输出层输出与对应的类别权重进行乘积实现特征融合，将特征融合后的结果送入Bagging子类极限学习机中的分类极限学习机进行训练，训练过程中使用遗传算法完成对极限学习机的参数寻优，依据测试集响应的分类准确率作为最终诊断效果，完成故障诊断。

如需购买、转让、实施、许可或投资类似专利技术，可联系本专利的申请人或专利权人桂林电子科技大学，其通讯地址为：541004 广西壮族自治区桂林市七星区金鸡路1号；或者联系龙图腾网官方客服，联系龙图腾网可拨打电话0551-65771310或微信搜索“龙图腾网”。

以上内容由龙图腾AI智能生成。