在当今智能化迅猛发展的时代,模拟电路已经广泛应用于各个领域,难免会出现各种故障,因此对其诊断的方法也就极其重要。但是由于模拟电路出现的各种复杂因素,也就造成了对于模拟电路故障诊断的技术进步缓慢。结合机器学习算法以及人工智能技术的发展,本文提出了基于流形结构的粒子群优化支持向量机和极限学习机的模拟电路故障诊断方法。(1)针对模拟电路本身复杂多样、元器件存在容差以及发生故障的参数是连续的等各种特点,本文使用局域均值分解与多尺度模糊熵相结合的方法来提取电路中的故障特征信息。局域均值分解算法在处理非平稳以及非线性的信号时具有优势。将纯调频信号与包络信号分离出来,并将其相乘得到一系列的PF分量,取其中包含信息量最大的前三组,再经过分析计算多尺度模糊熵特征来得到特征向量。(2)针对传统支持向量机在进行分类识别时,只考虑数据类间的信息,并未考虑到数据内部的结构信息。本文提出基于流形结构的粒子群优化支持向量机。融合数据分布结构的先验信息,在保持数据类间间隔最大的基础上,使数据在映射到高维空间时,各类的数据尽可能紧凑。同时将粒子群算法与支持向量机相结合,对其中的参数进行优化,在粒子群算法中改进迭代的权重函数,提高迭代效率以及避免了陷入局部最优,提高了分类精度也加快了全局收敛的速率,能够有效增强支持向量机的诊断效果。(3)针对如果故障类型过多,传统方法会使数据训练时间过长,诊断的效率也比较低。本文将二叉树与极限学习机相结合,构造出模拟电路的诊断模型结构。二叉树结构相比于传统分类模型结构可以减少分类器的数量,同时极限学习算法的输入权值矩阵?和隐含层偏置阈值b是随机给定的,只需要设置网络的隐含层节点个数个数就能产生唯一最优解。相比较一般传统的神经网络以及支持向量机不仅加快了学习速度,也提高了模型的泛化能力。