近年来,随着机器学习(Machine Learning,ML)技术的发展,越来越多的领域开始与ML相结合。ML擅长处理海量数据,尤其是ML中的非监督学习算法在处理大量无标签数据时有着优异的效果。在电子工程领域,随着高端电子设备的需求日益增加,印刷电路板(Printed Circuit Board,PCB)作为版图设计的基础,因其能够大大地减少设备布线以及装配的差错成为了电子工程领域中不可或缺的一部分。PCB中的辐射会干扰本系统中子系统或其他系统的正常工作,从而影响整个产品的工作性能。探测PCB辐射源可以有效地解决PCB的辐射问题。将非监督学习算法与探测PCB辐射源相结合,可以进一步优化探测PCB辐射源分布的方法。本文对使用非监督学习算法探测PCB的辐射源分布展开研究,主要工作如下:一、分析了高斯分布探测异常值算法、自组织映射(Self-Organizing Map,SOM)网络算法和K均值聚类算法(K-means Clustering Algorithm,K-means)的技术优势,提出一种基于SOM和K-means探测PCB辐射源分布的方法。首先,引入高斯分布探测异常值算法提取出数据中的异常值,随后使用SOM进行第一次聚类分析,接着通过K-means进行第二次聚类分析,最终凭借手肘法确定PCB的辐射源数目和分布。仿真结果表明,通过与传统人工探测PCB辐射源的方法对比,所提算法能够一定程度上替代依靠经验探测PCB辐射源分布的方法。二、研究数据维度过高时,探测PCB辐射源分布的方法。提出一种基于SOM和混合高斯模型(Gaussian Mixture Model,GMM)探测PCB辐射源分布的方法,首先,引入孤立森林算法筛选出高维数据中的辐射数据,接着引入由SOM算法和GMM算法组成的模型,通过非监督学习对辐射数据进行聚类分析,最后使用轮廓系数法确定实际聚类数目与辐射源分布。仿真结果表明,提出的方案能够有效地探测出PCB的辐射源数量和分布,在一定程度上解决人工无法在高维数据中判断PCB辐射源的问题。