随着现代电子技术的飞速发展,大规模集成电路的应用,电路规模和结构日趋功能化和模块化,电路故障诊断的难度也随之增大,且一旦发生故障,可能会造成人员和财产的巨大损失。研究如何运用现代诊断技术从大规模电路中准确地诊断出存在故障的元器件,是实际工程迫切需要解决的课题,也是模拟电路故障诊断理论和方法走向实际应用的关键步骤之一。基于人工智能的机器学习方法能够构造多类分类学习模型,适合于模拟电路故障诊断,是目前研究的热点之—本文以辽宁省自然科学基金项目“基于支持向量机电气电子系统故障诊断及预测新方法研究”为背景,研究了基于支持向量机和遗传算法相结合的模拟电路故障诊断方法。本文针对模拟电路存在容差和非线性,不同节点的电压或电流对不同故障器件敏感程度的特点,使用Pspice软件对电路进行仿真,利用其特有的蒙特卡洛分析和最坏情况分析功能,对不同故障状态的信号进行采集,作为支持向量机分类器的输入。支持向量机(support vector machine, SVM)是数据挖掘中的一项新技术,是借助于最优化方法解决机器学习问题的新工具,它集成了最大间隔超平面、Mercer核、凸二次规划、稀疏解和松弛变量等多项技术。支持向量机算法在多类别分类应用中比传统的神经网络方法更具有优势。但是,对支持向量机的推广预测能力有很大影响的参数却一直没有一个很好的确定方法。本文在参数优化方面对支持向量机算法进行了改进,引入遗传算法对支持向量机的核参数及误差惩罚参数C进行优化选择,应用于一对多(1-versus-rest,1-V-r)、一对一(1-versus-1,1-V-1)、决策导向无环图(Decision Directed Acyclic Graph, DDAG)等多类分类算法对模拟电路进行故障诊断,将该方法的计算结果与已有的grid search方法进行比较,可以得出用本文所提出的方法求得的C和核参数能明显提高支持向量机的泛化性能,实验结果表明基于遗传算法的参数选择方法的有效性和优越性。