1.一种基于训练网络的电子电路故障诊断模型的训练方法，其特征在于，包括：

1)确定故障信息数据与训练网络输入样本的对应关系；确定故障源编码与训练网络输出值的对应关系，从而确定两组输出向量组；

训练网络学习的样本集是由三相桥式可控整流电路的输出电压波形实时采样构成的；当三相桥式可控整流电路工作时，晶闸管的触发延迟角α可以在0°-120°变化，整流电路的触发延迟角α可以分别选取0°、30°、60°、90°和120°；三相桥式可控整流电路工作在某一特定触发延迟角时，如果三相桥式可控整流电路中同时发生故障的晶闸管最多两个，那么在每一个特定触发延迟角α下，整流电路发生故障的种类有22种，这样总共有110个样本构成；每一个样本集是由三相桥式可控整流电路输出电压波形在一个周期中选取40个采样点所构成的；

训练网络输入层的节点数等于一周期内Ud电压采样值的数目，在一个周期内所有电压采样值构成一个学习样本，而每一个学习样本对应一个输出编码；

将电压采样值进行归一化处理，即用输入线电压的有效值除以采样电压值，得到归一化值；

在每一种类型的故障情况下，故障信息通过对电路输出的电压波形进行周期性的实时采样，并将这组采样值作为训练网络的输入样本值，输入样本值的个数与训练网络的输入节点数相同；在同一个触发角下，训练网络的输出节点数应等于电路中晶闸管的个数；若电子电路中第t个晶闸管发生故障，则训练网络的期望输出向量Di=(d1,d2,…,dn)T中的第t个元素dt=1,其余均为0,这个向量就作为训练网络输出的期望值；当所有可能故障的元器件都做了编码后，就组成了一系列由单位向量组成的第一组输出向量组Ai=(A1,A2,...,An)；这样，所有故障元器件的输入信息样本都与输出向量组一一相对应，则训练网络的理想输出是一个单位阵；重复上述采样和编码过程，得到第二组输出向量组Oi=(O1,O2,...,On)；

2)形成故障信息样本对向量组(Ai,Oi)(i=1,2,3,…,p),将p个故障信息样本对向量组(Ai,Oi)(i=1,2,3,…,p)转换为双极性向量组对(Xi,Yi)(i=1,2,3,…,p)；

给定p个故障样本信息二值矩阵对：(A1,O1),(A2,O2),…,(Ap,Op),首先将这p个故障信息样本二值矩阵对按下列公式转换为双极性矩阵对(Xi,Yi)(i=1,2,…,p)；亦即将二值矩阵对中的零元素用-1来代替，即：Xi=2Ai-I；

Yi=20i-I；

上式中I是单位矩阵；

将故障信息样本二值矩阵对中的零元素用负一来代替，得到双极性矩阵对；对于每个故障信息样本二值矩阵对，将其中的每个元素乘以二再减去单位矩阵的对应元素，得到双极性矩阵对中的两个矩阵；

3)对每一个样本对依次进行学习和训练，形成记忆矩阵Cj(j=1,2,…);

亦即对每次输入的故障信息样本对经过学习之后，随之验证训练网络是否已对(Ai,Oi)有正确的记忆能力；亦即判断XiCj阈值化后是否等于Oi,同时也判断YiCjT阈值化后是否等于Ai；如果都相等，则训练网络经过学习之后对(Ai,Oi)已具有记忆能力；如果不相等，则训练网络经过学习之后对(Ai,Oi)已经产生记忆饱和，则应从Cj矩阵中取消XiTYj；

把故障信息样本双极矩阵对(X1,Y1),(X2,Y2),…,(Xp,Yp)存储在训练网络的局部能量最小的位置，即把p个模式故障信息样本双极矩阵对叠加起来形成一个m×n维的记忆矩阵C,即：C=X1TY1+X2TY2+...XpTYp；

将多个故障信息样本双极矩阵对叠加起来，形成一个维度为输入层神经元数乘以输出层神经元数的记忆矩阵；对于每个故障信息样本双极矩阵对，将其中的输入矩阵转置后与输出矩阵相乘，然后将所有这些乘积相加，得到记忆矩阵；

把Ai用双极性向量Xi表示，在训练网络的输入层将故障信息样本信号Ai的双极性向量Xi输入给训练网络,对于每个输入的故障信息样本信号Ai的双极性向量Xi，将双极性向量Xi与记忆矩阵C相乘，然后将乘积的总和进行阈值化处理，得到的输出结果Yi会与对应的故障信息样本输出矩阵Oi相似；

4)将故障模式样本对(Xi,Yi)存储到另一个记忆矩阵Ck中，检验Ck的记忆能力；

5)重复执步骤2)-4)直至将所有的故障信息样本对经过学习和训练之后都分别存储在一系列的记忆矩阵中。