于晨松，文 浩

(1.中国石油天然气管道科学研究院有限公司，河北廊坊 065000；2.重庆川仪自动化股份有限公司，重庆 401121)

0 引言

模拟电路在现代电子产业中起重要作用，《国家集成电路产业发展推进纲要》提出了提升先进封装测试业发展水平的要求，模拟电路故障诊断的重要性愈发凸显。模拟电路存在容差，具有非线性，故障诊断难度大。基于人工智能的模拟电路故障诊断方法无需构建数学模型，能够实现故障的识别和定位，因此成为研究热点[1-5]。

使用人工智能进行模拟电路故障诊断的步骤可分为故障特征提取和分类器识别。小波变换常作为提取模拟电路故障特征的工具[6-7]，但是小波分解出的子频带中含有冗余信息，会影响故障诊断的准确率，因此需要对其进行降维处理。常用降维方法有主元分析[8]和因子分析[9]，但这些方法在进行数据降维时仅去除数据之间的线性相关性，不能保持原有数据的流型结构。模拟电路故障诊断的另一个重要部分是构造分类器，常用方法有神经网络[10]、支持向量机[11]和决策树[12]。但是神经网络迭代速度慢且易陷入局部最优解；支持向量机对噪声敏感，影响故障诊断率；决策树是一个递归过程，在计算过程中易出现过度拟合的情况。

Sammon映射[13]是一种非线性映射，它通过非线性变换，能够直观地在低维空间展现原数据间的结构信息，得出高维数据在低维的相互关系，是一种“几何图形降维”的投影法。Sammon映射对数据降维时，能够保留原数据中的重要信息，适合模拟电路故障特征的优化。……