范庚 汉田 马羚

（海军航空大学青岛校区 青岛 266000）

1 引言

导弹发控电路是机载导弹发控系统的重要组成部分。导弹发控电路是一个复杂的数模混合电路，故障模式复杂，故障诊断困难。据统计，对于复杂的数模混合电路，元件级故障中有超过80%的故障出现于模拟电路［1］。由于模拟电路具有复杂的输入-输出关系，电路中的非线性元件多，元件参数与电路响应大多表现为非线性映射关系，因此工程应用中难以精确描述电路响应的数学模型，基于模型的方法无法适用。文献［2］构建了BP神经网络模型用以实现某型空空导弹发控电路故障诊断。为提高故障诊断模型的预测精度和加快网络训练的收敛速度，文献［3］选取广义回归神经网络建立了模拟电路故障诊断模型。文献［4］建立了小波RBF神经网络故障诊断模型，取得了较好的模拟电路故障诊断效果。但神经网络本质上属于传统统计学范畴，其基础来源于渐进理论，即在具有无穷多的学习样本数目的理想条件下，才可在理论上保证模型的性能；同时，神经网络还具有较慢的收敛速度，易陷入局部极值，且隐层数、隐节点数等网络结构难以确定。

相关向量机［5］（Relevance Vector Machine，RVM）是一种基于稀疏贝叶斯理论的统计学习方法，由美国学者Tipping提出，具有参数设置简单、概率式输出等优点［6］。但传统的RVM只能解决二分类问题，在解决多类故障诊断问题时，一般先通过“一对多”法［7］、“一对一”法［8］或二叉树法［9～10］将多类故障诊断问题转化为多个二类故障诊断问题，再构造RVM二类分类器，最终获得诊断结果，但存在诊断速度和诊断精度下降、决策树结构难以确定等问题［11］。……