刘 程，陈 斌，瞿珊瑚，张海天

（海军工程大学 电子工程学院，湖北 武汉 430033）

0 引 言

发信机是短波发信系统的重要组成部分，在军事通信中应用广泛。发信机出现故障往往会造成严重的后果，甚至会影响作战任务的正常进行。装备故障检测与诊断已成为现在的一个热点问题，但是在发信机故障诊断方面新的方法仍然较少。目前，多用基于BP神经网络[1]、专家系统等方法对装备进行故障诊断。由于发信机结构复杂，存在数据采集困难等问题，而传统的诊断方式从已经处理过的参数去分析判断。BP神经网络存在网络不易收敛、易陷入局部最优和收敛速度慢等缺点。基于专家系统的方法则需要人工提取信息，耗时长且工作量大。

近年来，深度学习因为其强大的特征挖掘和特征提取能力，已在语音识别[2]、图像处理等领域得到了广泛应用。深度学习利用原始数据逐层提取信息特征，对提取到的浅层特征进行处理，由浅层特征得到信息的深层表示，实现了非线性函数逼近，使较浅层的网络模型有更优的处理性能和泛化效果[3]。运用深度学习强大的特征提取能力，可以挖掘故障信号的深层特征表示。

常用的深度学习神经网络包括深度置信网络（Deep Belief Networks，DBNs）、深度玻尔兹曼机（Deep Boltzmann Machines，DBMs）、深度卷积神经网络（Deep Convolutional Neural Network）和深度堆栈自编码网络（Stacked Auto-Encoder，SAE）。深度堆栈自编码网络应用广泛，周志文等提出基于联合深度时频特征的辐射源识别算法，可显著提高雷达辐射源的识别准确度[4]。曹玉良等利用自动编码器构建的深度学习网络，对离心泵空化状态有良好的识别效果[5]。……