本申请涉及一种含有奇异点的电子信号故障混合预测方法及验证装置，具体涉及含有奇异点的电子信号故障的混合预测领域。
背景技术：
在现代工业中，电子设备得到越来越广泛的应用，与传统机械系统的缓慢老化不同，电子系统的故障通常包括间歇故障和瞬态故障，这些故障的奇异点在传统解决方案中通常被视为噪声。然而，这些奇异点包含许多早期故障的信号以及其他隐藏信息，有时甚至会被传输到电子系统的每一个节点，导致不确定性传播。因此，奇异信号处理方法的改进对于提高预测的精确度实际上具有不可忽略的价值。
由于近年来ai技术的强有力发展，基于ai的预测性维护变得更加高效。因此，针对上述电子系统的特点，应该引入基于ai的实时预测方案来开发在线可靠性预测方案，该方案可以实时更新更全面的监视数据，而不是进行长期预测。b-样条函数是一种分段定义的多项式函数，具有多种良好特性，如计算的数值稳定性，系数变化的局部影响以及相邻多项式之间的内置平滑度，因此，它可以看作是一种近似替代模型。b-样条函数、曲线和曲面常应用于拟合数据点，拟合可以是插值也可以是近似，插值的b-样条函数需要穿过数据点。本申请开发了一个插值b-样条函数模型和一个在线单隐藏层前馈神经网络，以评估算法在预测其唯一和关键数据方面的可靠性。
在线顺序极限学习机是极限学习机的顺序变体，为了高效且有效地处理顺序序列值，它能够以固定或变化的块大小学习数据。由于具有极快的学习速度，近年来它获得了极大的关注，并且在许多方法和应用中进行实现。
但是，os-elm也有一些缺点：1)由于添加了新的序列值，预先给定的网络结构可能无法达到预期的精确度；2)隐藏层中参数的某些分布可能是随机选择的，这会导致不稳定的网络输出。
因为os-elm的固有缺陷，并考虑实际情况因素，即训练时间和预测精度，本采用量子行为粒子群优化算法来优化os-elm初始阶段的参数以确保os-elm预测的准确性。qpso易于实现，参数少，全局收敛性好的特性有助于os-elm优化初始参数，进入在线调整的下一阶段。
然后，使用结合粒子群优化的混合方法评估相关参数，进而更新样条模型，以实现在电路老化数据包含奇异点时提高预测准确度的目的。与以往研究相比，当前这一方法不需要在整个预测过程中识别奇异数据，然而即使信号中存在一些奇异点，该方法也仍然具有理想的表现。
技术实现要素：
一种含有奇异点的电子信号故障混合预测方法，首先利用三次非多项式样条函数构造的约束条件和性质，求得性能退化数据点处的二阶导数值并构成观测序列；其次，利用最优剪枝，针对elm神经网络模型的隐含层节点进行裁剪和优化，改善隐含层的输出参数利用观测序列对其进行训练，并在此基础上，对其中隐藏层状态加权预测，从而取得代表预测时刻状态的样条预测元；然后，再利用qpso优化的os-elm模型中初始阶段的阈值和输入权重；这样，最优剪枝和粒子群优化方法分别在不同的阶段用于改进和优化os-elm中隐藏层的输出。最后，得到样条预测单元中最后两个二阶导数值并复原该点处的三次非多项式样条曲线，以此可得到最终的预测值。
粒子群优化方法包含以下步骤：第一步，初始化粒子群参数；第二步，建立极限学习机网络结构；第三步，计算每个粒子适应度p(i)；第四步，初始化每个粒子的局部最优解pbest(i)＝x(i),对应适应度pfit(i)＝p(i)；第五步，初始化整个粒子群的全局最优解gbest(i)＝best(pbest(i)),对应适应度gfit＝best(pfit(i))；第六步，更新每个粒子的速度与位置信息；第七步，搜索局部最优参数；第八步，计算每个粒子适应度p(i)；第九步，判断p(i)是否小于pfit(i)，如果是，执行第十步，如果否，执行第十一步；第十步，更新每个粒子的局部最优解pbest(i)＝x(i),对应适应度pfit(i)＝p(i)；第十一步，迭代次数增加；第十二步，判断迭代次数是否大于上限，如果否，返回第六步，如果是，输出的全局最优解即为极限学习机的最优参数，程序结束。
优选的，将粒子定义为最佳解空间中的可能解，并采用均方根误差(rootmeansquareerror,rmse)作为pso算法的适应度函数：
其中，ntest是测试样条的数量，ytest是测试样条的真实值，ypred是该模型的预期输出值。
优选的，qpso优化elm参数的训练步骤如下：
1)计算第一个粒子x1的适应度值fitness(1)，使最佳适应度值fitness(best)＝fitness(1)，并以粒子x1作为pbest,
2)将输入权重wi和隐藏层偏差bi随机初始化以构建elm神经网络结构，并随机生成一组数据作为初始解空间，
3)采用优化后的elm模型训练相应样条，并计算和评估适应值，每个粒子可以通过比较单个最优解和整体最优解的适应值来调整自己的位置和速度，
4)确定是否达到迭代次数上限，如果是，则终止算法，并给出搜索结果，否则继续迭代以获得新的粒子群，
最后，基于最优解建立优化后的elm模型。
优选的，根据lipschitz指数，将两种不同类型的奇异点引入相应的初始数据中进行训练和预测。
优选的，利用粒子群优化和最优剪枝优化进行极限学习训练，考虑退化数据中的奇异点，通过样本函数近似获得os-elm的预测链，进而通过更新对样本单元的预测值，完成时间序列预测。
优选的，采用典型的指数衰减信号模型进行实验，指数退化模型是一个随机过程，能够捕获退化信号的演变，该模型的形式如下：
其中y(t)表示连续随机过程的退化信号，相对于时间t是连续的，
采用低噪放大器电路，低噪声放大器模块结构包括：
隔离器：主要用于高频信号的单向输入，对于反向的高频信号进行隔离，同时对各端口的驻波进行匹配；
低噪声管：atf54143，利用管子的低噪声特性，减少模块的内部噪声，降低低噪声模块的噪声电平，使整机的接收灵敏度提高；
放大管：进一步放大高频信号；
限幅组件：包含由pin管组成压控的衰减电路(alc)，由hmc273组成的数控衰减电路(att)；
检波组件：对模块的输出功率由主控芯片构成的检波电路检测出输出功率的大小；
限幅运算电路：由检波组件对高频信号的检测出的功率大小的输出直流电压进行运算，对限幅电路进行控制；
该射频电路输入范围为1mvpp～10vpp，带宽为dc～200mhz，输出信号为500mvpp，该射频电路的信号增益作为其老化趋势分析中的监视参数。
附图说明
图1是样条-在线顺序极限学习机模型框架；
图2在线顺序极限学习机的结构；
图3样条-在线顺序极限学习机算法中关于参数训练的表述；
图4指数衰减信号模型的仿真数据；
图5(a)-5(b)为不同模型的预测结果；
图6是mackey-glass模拟数据集；
图7是对mackey-glass仿真数据集的小波奇异点检测；
图8(a)-8(c)是不同模型的预测结果；
图9是某射频低噪放大器电路；
图10是低噪放大器老化数据；
图11是对低噪放大器老化数据的奇异点检测；
图12是样条-在线顺序极限学习机对低噪放大器老化数据的预测结果；
图13是不同预测模型的rmse三维直方图；
图14是低噪声放大器模块结构；
图15是低噪声放大器电路原理图。
具体实施方式
样条-在线顺序极限学习机模型
本申请主要给出了样条-在线顺序极限学习机算法的整体结构和详细的预测过程。在这一集成数学模型中，最基础的预测单元是基于具有二阶平滑度特性的三次非多项式样条。
该算法首先利用三次非多项式样条函数构造的约束条件和性质，求得性能退化数据点处的二阶导数值并构成观测序列；其次，利用最优剪枝，针对elm神经网络模型的隐含层节点进行裁剪和优化，改善隐含层的输出参数利用观测序列对其进行训练，并在此基础上，对其中隐藏层状态加权预测，从而取得代表预测时刻状态的样条预测元；然后，再利用qpso优化的os-elm模型中初始阶段的阈值和输入权重。这样，最优剪枝和粒子群优化方法分别在不同的阶段用于改进和优化os-elm中隐藏层的输出。最后，得到样条预测单元中最后两个二阶导数值并复原该点处的三次非多项式样条曲线，以此可得到最终的预测值。
在整个集成的算法方案中，退化数据的奇异性决定了样条近似模型的选择，最后通过优化获得的混合模型，不断更新样条预测单元，以帮助形成最优的样条模型。
样条函数近似
该方法使用的非多项式样条函数为三角多项式样条函数，其无穷小三角形部分可以弥补多项式有限平滑性的不足。因此，与其他方法相比，该方法可以实现更好的对样条曲线逼近的效果。
对于i＝0，1，…，n，我们将区间(a，b)分割成相等的距离，使得xi＝a ih，其中x0＝a，xn＝b，h＝(b-a)/n，n为正整数。然后，对于每个子区间[xr-1，xr],r＝1，…，n，三次非多项式样条曲线sr(x)定义为如下形式：
sr(x)＝arcos(x-xr-1) brsin(x-xr-1) cr(x-xr-1) dr(1)
其中ar，br，cr和dr都是样条系数。令w＝θ·h，我们可以根据一系列运算得出方程(1)的系数：
其中yr＝sr(xr)，
根据(xr，yr)在一阶和二阶导数的连续性，我们可以进一步获得公式[10-11]：
h2(αmr-1 2βmr αmr 1)＝yr-1-2yr yr 1，r＝1，2，…，n-1
(4)
由此可得
令
αmr-1 2βmr αmr 1＝dr，r＝1，2，…，n-1(6)
另外，边界条件由以下公式决定：
其中
结合公式(6)和(7)，可写成矩阵形式，如下所示：
对于公式(2)求解的向量m＝(m0，m1，m2，...，mn)，其二阶导数将被作为时间序列的向量帧并按顺序输入到此样条-在线顺序极限学习机模型中，并通过预测模型生成新的向量m和sr(x)。
这些是基于对应于奇异点的二阶导数的数据分析出的结果，该奇异点在这里是预测偏差的二阶导数。因此，对于封装在窗口集合中的数据库，用基于窗口的方式来预测未来行为。
最优剪枝极限学习机
极限学习机自2006年提出以来，其核心思想不同于传统基于梯度的学习算法要求去迭代且反复调整刷新输入权重和隐层偏差，对于极限学习机算法，求解很直接，无需迭代，最终化归成求解一个极小2-范数最小二乘解问题。因而它以训练参数少、速度快的优点广泛的应用在时间预测预测中。
尽管极限学习机训练参数少、速度快，但仍存在一些很关键的问题有待解决。比如隐含节点数的不确定问题。隐层节点数与极限学习机的网络学习能力有着直接的联系，若节点数过少，则导致网络欠拟合；而若节点数过多，则又造成过拟合，极大地影响其泛化性。为了解决这个问题，本引入了最优剪枝极限学习机算法，其不仅继承了极限学习机的所有特点，还使网络更具有鲁棒性和泛化性。
首先，参照上面内容，构建极限学习机模型。然后，对隐含层利用多响应稀疏回归算法对隐层节点精确排序，其中y为目标函数，多响应稀疏回归算法的回归矩阵实际上则为极限学习机隐层节点核函数的输出
而当隐层神经元经顺序排列好之后，就可以选取模型最佳的隐层神经元个数，最优剪枝极限学习机算法中则通过逐一抽取算法来进行选取：
其中，i代表i第个隐层节点，hi是输出矩阵h排序后h的第i列，
由于一些无用或作用很小的隐层节点极大影响了网络泛化性，故而利用loo选取其误差较小的隐层节点，并将其裁剪掉。最初裁剪过程中，loo误差随之减小。而一旦loo误差随隐层节点的裁剪却出现增大时，则立刻终止裁剪，进而开始训练最优剪枝极限学习机算法。接下来，我们就可以对剪枝后的网络利用较少的运算时间计算其隐含层输出矩阵以及输出权值。
在线顺序极限学习机
对于os-elm算法，其输出权重的学习过程可以分为两部分：第一部分是初始阶段，初始输出权重是由少量样条获得；第二部分是在线学习阶段，将由样条组成的数据块放入网络中，并更新输出权重。
os-elm网络结构如图2所示：
极限学习机结构专门由以下三个部分组成：
输入层：包含具有预测对象x＝{x1,x2,…xi,…,xn}的实时数据信息，其中xi是从第i维输入的数据。
隐藏层：由神经网络中的隐藏层节点(w,b)＝{(wj,bj)}组成，其中wj是第j个节点的权重，bj是第j个节点的偏置系数。将sigmoid作为激活函数，可得hj＝g(wj,bj,x)。
输出层：输出层权重可以表示为β＝{β1,β2,…,βk,…,βl}，其中βk是对应于隐藏层的第k个输出权重。
设ti为第i个样条的真实值，隐藏层权重的计算方法为：
β＝(hth λi)-1htt(9)
h为由样条隐藏层输出构成的矩阵：
令k0为中间矩阵,
在在线顺序学习阶段，只要有新的nk 1个训练样条的输入数据集到达，输出权重就会更新，而隐藏层hk 1的输出样条，βk 1的输出权重βk 1和fk 1可以通过以下递归公式获得：
通过这些公式不难看出，在os-elm算法中，预先给定的网络结构可能不再合适，随机选择隐藏层参数的缺陷将会导致网络输出的不稳定。
量子行为粒子群优化
针对上述问题，本采用qpso算法来优化os-elm初始阶段的阈值和输入权重，从而保证在网络初始阶段结构更合理，误差更小。
qpso算法利用粒子的量子行为特征来搜索解空间，每个个体由量子空间中的粒子来描述，以反映粒子的不确定性，同时粒子群的独特记忆功能使它们能够动态跟踪当前情况并调整搜索策略，使qpso具有强大的全局搜索能力和鲁棒性。
将粒子定义为最佳解空间中的可能解(c,σ)，并采用均方根误差作为pso算法的适应度函数：
其中，ntest是测试样条的数量，ytest是测试样条的真实值，ypred是该模型的预期输出值。
qpso优化elm参数的训练步骤如下：
5)计算第一个粒子x1的适应度值fitness(1)，使最佳适应度值
fitness(best)＝fitness(1)，并以粒子x1作为pbest,
6)将输入权重wi和隐藏层偏差bi随机初始化以构建elm神经网络结构，并随机生成一组数据(c,σ)作为初始解空间，
7)采用优化后的elm模型训练相应样条，并计算和评估适应值。每个粒子(c,σ)可以通过比较单个最优解和整体最优解的适应值来调整自己的位置和速度，
8)确定是否达到迭代次数上限，如果是，则终止算法，并给出搜索结果，否则继续迭代以获得新的粒子群，
9)最后，基于最优(c,σ)建立优化后的elm模型。
详细的算法说明如图3所示。
实验结果与讨论
根据lipschitz指数，将两种不同类型的奇异点引入相应的初始数据中进行训练和预测。
首先，为验证本提出的算法，采用典型的指数衰减信号模型进行实验，指数退化模型是一个随机过程，能够捕获退化信号的演变。该模型的形式如下：
其中y(t)表示连续随机过程的退化信号，相对于时间t是连续的，
在图5中，(a)显示了不同的三种方法的预测结果，(b)显示了放大的细节图。从这两张图中可以看出，相比于单纯的在线顺序极限学习机模型，以及基于cholesky分解的具有持续正则化和遗忘因子的在线顺序极限学习机模型，样条-在线顺序极限学习机(预测线)预测的效果更好，可以在奇异点之后非常快速地跟踪实际曲线。同时不同模型的预测误差在表1中列出，显然，奇异点对样条-在线顺序极限学习机模型的预测性能的影响小于其他两个模型。
接下来，本使用典型的时间序列数据集再次验证本提出的这种方法，在图6的mackey-glass(mg)模拟数据集中设置了另一种类型的两个奇异点，图7则通过小波分解时域信号显示了奇异点的存在。
预测结果如图8所示。对于隐藏和潜在故障点，根据图8的(b)和(c)两个细节图可以看到，本所提的样条-在线顺序极限学习机模型(蓝线所示)也显示出更好的预测效果，在表1中也列出了误差比较。
为了继续验证本所提方法在工程实践中受奇异点影响的预测能力，我们采用以下低噪放大器电路，低噪声放大器模块结构包括：
隔离器：主要用于高频信号的单向输入，对于反向的高频信号进行隔离，同时对各端口的驻波进行匹配；
低噪声管：atf54143，利用管子的低噪声特性，减少模块的内部噪声，降低低噪声模块的噪声电平，使整机的接收灵敏度提高；
放大管：进一步放大高频信号；
限幅组件：包含由pin管组成压控的衰减电路(alc)，由hmc273组成的数控衰减电路(att)；
检波组件：对模块的输出功率由主控芯片构成的检波电路检测出输出功率的大小；
限幅运算电路：由检波组件对高频信号的检测出的功率大小的输出直流电压进行运算，对限幅电路进行控制。
低噪声放大器电路包括依次连接的漏极直流偏置电路、栅极直流偏置电路和输入输出电路；所述漏极直流偏置电路包括由接地电容和旁路电容c1、c2、扼流电感l2、能与电容c1或c2产生谐振的的电感l1以及表示电感l1损耗的电阻r1组成；栅极直流偏置电路包括由旁路电容c3和增加稳定性的电阻r2组成，漏极栅极直流偏置电路将低噪放偏置到合适的静态工作点；输入电路包括由隔直电容以及能将低噪放输入阻抗匹配到50ohms同时进行频带选择的带通滤波器组成；输出电路包括能将低噪放输出阻抗匹配到50ohms同时进行镜像抑制的带通滤波器组成。
所述漏极直流偏置电路中vdd(pin11)为漏极电压源；电容c1、c2与地连接，阻止直流电源的低频交流噪声进入低噪放；所述扼流电感l2与低噪放管漏极串联，隔交通直；所述电感l1与电容c1、c2串联形成谐振电路，在工作频率是为短路，电阻r1表示电感的损耗；栅极直流偏置电路中vsd(pins)为栅极电压源；电阻r2直接串联到低噪放管栅极，提高稳定性；电容c3连接到地，阻止直流电源的低频交流噪声进入低噪放。
所述输入电路中电容cin与输入带通滤波器bpf1串联，连接到低噪放管的输入端，隔直通交；输出带通滤波器bpf2连接到低噪放管的输出端；输入电路与输出电路与连接有接头的50ohms的传输线连接。
以上述射频(radiofrequency,rf)低噪放大器电路(如图9所示)的老化数据集为例。该射频电路来自典型的接收器通道模块，其输入范围为1mvpp～10vpp，带宽为dc～200mhz，输出信号为500mvpp。由于增益是这些参数中最敏感的一个，因此我们将该射频电路的信号增益作为其老化趋势分析中的监视参数。
在100℃条件下持续2316个小时，从低噪声放大器中收集了总共600个点，包含两个非常不明显的奇异点，分别在899小时和1783小时左右(如图10)。为了对图11中的数据进行观察，对数据进行了4层db5小波分解。
图12显示了针对低噪放大器老化数据(真实数据：圆圈线，预测结果：菱形线)的样条-在线顺序极限学习机模型的一步预测结果，如图12所示。即使存在两个奇异点，预测结果仍与实际数据完全吻合。
为了进一步验证本所提算法的预测能力，使用不同模型对同一电路老化数据进行预测，并将这些模型的预测误差显示在表1中，同时三种模型rmse的三维直方图如图13所示，从比较结果来看，尽管用于测试的序列包含两个奇异点，但是本方法仍然有效，预测性能没有退化，同时预测的误差低于其他两种方法。
表1.不同模型的预测准确度
根据本算法的理论及实际实验结果，可以看出该算法能够有效应用于多种故障情形，尤其是可能出现间歇性故障和奇异点故障的情况。在本算法中，奇异性不会作为噪声消除，而是作为有效信息保留在历史记录中。
本发明虽然已以较佳实施例公开如上，但其并不是用来限定本发明，任何本领域技术人员在不脱离本发明的精神和范围内，都可以利用上述揭示的方法和技术内容对本发明技术方案做出可能的变动和修改，因此，凡是未脱离本发明技术方案的内容，依据本发明的技术实质对以上实施例所作的任何简单修改、等同变化及修饰，均属于本发明技术方案的保护范围。
1.一种含有奇异点的电子信号故障混合预测方法，其特征在于，首先利用三次非多项式样条函数构造的约束条件和性质，求得性能退化数据点处的二阶导数值并构成观测序列；其次，利用最优剪枝，针对elm神经网络模型的隐含层节点进行裁剪和优化，改善隐含层的输出参数利用观测序列对其进行训练，并在此基础上，对其中隐藏层状态加权预测，从而取得代表预测时刻状态的样条预测元；然后，再利用qpso优化的os-elm模型中初始阶段的阈值和输入权重；这样，最优剪枝和粒子群优化方法分别在不同的阶段用于改进和优化os-elm中隐藏层的输出。最后，得到样条预测单元中最后两个二阶导数值并复原该点处的三次非多项式样条曲线，以此可得到最终的预测值。
2.根据权利要求1所述的一种含有奇异点的电子信号故障混合预测方法，其特征在于，粒子群优化方法包含以下步骤：第一步，初始化粒子群参数；第二步，建立极限学习机网络结构；第三步，计算每个粒子适应度p(i)；第四步，初始化每个粒子的局部最优解pbest(i)＝x(i),对应适应度pfit(i)＝p(i)；第五步，初始化整个粒子群的全局最优解gbest(i)＝best(pbest(i)),对应适应度gfit＝best(pfit(i))；第六步，更新每个粒子的速度与位置信息；第七步，搜索局部最优参数；第八步，计算每个粒子适应度p(i)；第九步，判断p(i)是否小于pfit(i)，如果是，执行第十步，如果否，执行第十一步；第十步，更新每个粒子的局部最优解pbest(i)＝x(i),对应适应度pfit(i)＝p(i)；第十一步，迭代次数增加；第十二步，判断迭代次数是否大于上限，如果否，返回第六步，如果是，输出的全局最优解即为极限学习机的最优参数，程序结束。
3.根据权利要求1-2任一项所述的一种含有奇异点的电子信号故障混合预测方法，其特征在于，将粒子定义为最佳解空间中的可能解，并采用均方根误差(rootmeansquareerror,rmse)作为pso算法的适应度函数：
其中，ntest是测试样条的数量，ytest是测试样条的真实值，ypred是该模型的预期输出值。
4.根据权利要求1-3任一项所述的一种含有奇异点的电子信号故障混合预测方法，其特征在于，qpso优化elm参数的训练步骤如下：
1)计算第一个粒子x1的适应度值fitness(1)，使最佳适应度值fitness(best)＝fitness(1)，并以粒子x1作为pbest,
2)将输入权重wi和隐藏层偏差bi随机初始化以构建elm神经网络结构，并随机生成一组数据作为初始解空间，
3)采用优化后的elm模型训练相应样条，并计算和评估适应值，每个粒子可以通过比较单个最优解和整体最优解的适应值来调整自己的位置和速度，
4)确定是否达到迭代次数上限，如果是，则终止算法，并给出搜索结果，否则继续迭代以获得新的粒子群，
最后，基于最优解建立优化后的elm模型。
5.根据权利要求1-4任一项所述的一种含有奇异点的电子信号故障混合预测方法，其特征在于，根据lipschitz指数，将两种不同类型的奇异点引入相应的初始数据中进行训练和预测。
6.根据权利要求1-5任一项所述的一种含有奇异点的电子信号故障混合预测方法，其特征在于，利用粒子群优化和最优剪枝优化进行极限学习训练，考虑退化数据中的奇异点，通过样本函数近似获得os-elm的预测链，进而通过更新对样本单元的预测值，完成时间序列预测。
7.一种对权利要求1—6任一项所述的一种含有奇异点的电子信号故障混合预测方法验证的方法，其特征在于，采用典型的指数衰减信号模型进行实验，指数退化模型是一个随机过程，能够捕获退化信号的演变，该模型的形式如下：
其中y(t)表示连续随机过程的退化信号，相对于时间t是连续的，
8.一种用于验证权利要求1—6任一项所述的一种含有奇异点的电子信号故障混合预测方法的装置，其特征在于，采用低噪放大器电路，低噪声放大器模块结构包括：
隔离器：主要用于高频信号的单向输入，对于反向的高频信号进行隔离，同时对各端口的驻波进行匹配；
低噪声管：利用管子的低噪声特性，减少模块的内部噪声，降低低噪声模块的噪声电平，使整机的接收灵敏度提高；
放大管：进一步放大高频信号；
限幅组件：包含由pin管组成压控的衰减电路(alc)，由hmc273组成的数控衰减电路(att)；
检波组件：对模块的输出功率由主控芯片构成的检波电路检测出输出功率的大小；
限幅运算电路：由检波组件对高频信号的检测出的功率大小的输出直流电压进行运算，对限幅电路进行控制；
该射频电路输入范围为1mvpp～10vpp，带宽为dc～200mhz，输出信号为500mvpp，该射频电路的信号增益作为其老化趋势分析中的监视参数。
9.根据权利要求8所述的装置，其特征在于，低噪放大器电路包括依次连接的漏极直流偏置电路、栅极直流偏置电路和输入输出电路；所述漏极直流偏置电路包括接地电容、旁路电容、扼流电感l2、能与电容c1或c2产生谐振的的电感l1、电阻r1；栅极直流偏置电路包括旁路电容c3、增加稳定性的电阻r2，漏极栅极直流偏置电路将低噪放偏置到合适的静态工作点；输入电路包括隔直电容、能将低噪放输入阻抗匹配到50ohms同时进行频带选择的带通滤波器；输出电路包括能将低噪放输出阻抗匹配到50ohms同时进行镜像抑制的带通滤波器。
技术总结