1.基于一维卷积长短期记忆网络的模拟电路故障诊断方法，其特征在于，该方法包括以下步骤：

步骤一：用两个卷积层、两个批归一化层、一个池化层、一个Flatten层、一个长短期记忆网络层和一个带有softmax激活函数的全连接层构建一维卷积长短期记忆神经网络；

步骤二：一维卷积长短期记忆神经网络利用卷积层、批归一化层、ReLU函数和池化层组成的一维卷积网络预先提取特征信息，利用Flatten层对预先提取的特征进行扁平化处理；

步骤三：利用长短期记忆网络获取数据时间信息并进一步提取数据隐藏特征，根据公式(1)得到遗忘门的输出值ft，根据公式(2)得到输入门的输出值it，根据公式(3)生成一个候选值向量 根据公式(4)将遗忘门保留的信息和输入门所要更新的信息相加得到新的记忆状态Ct，根据公式(5)得到输出门的值Ot，根据公式(6)将输出门的值Ot和更新值Ct相乘得到当前长短期记忆单元的隐藏输出，以此计算整个长短期记忆网络的输出，进一步提取数据隐藏特征；然后利用softmax分类器进行特征分类；

ft＝σ(Wf·[ht‑1,xt]+bf)        (1)

it＝σ(Wi·[ht‑1,xt]+bi)       (2)

Ot＝σ(Wo·[ht‑1,xt]+bo)       (5)

ht＝Ot*tanh(Ct)          (6)

ht‑1表示上一个时间步隐藏层的输出，xt表示当前隐藏单元的输入，W表示权值参数，b表示偏置参数；

步骤四：利用小批量Adam梯度优化算法对一维卷积长短期记忆神经网络进行反向传播训练，根据公式(7)计算预测概率分布 和真实概率分布yi的相似程度得到交叉熵损失函数θ，计算损失函数θ的导数得 根据链式求导准则，利用Adam梯度下降算法逐层计算一维卷积长短期记忆网络参数的更新值，根据公式(8)计算网络权重的更新值，根据公式(9)计算网络偏置的更新值，更新每一层的网络参数；完成迭代训练后，保存优化后的网络权重参数w和偏置参数b；

wt是时间步长为t时的优化参数，bt是时间步长为t时的优化参数，η表示初始学习率，m表示校正后的一阶矩衰减系数，v表示校正后的二阶矩衰减系数，ε表示一个非常小的值，避免除数为零；

步骤五：使用PSpice软件对Sallen‑Key带通滤波电路进行仿真实验，采集每一种双故障状态的原始数据，每一个数据保留1024个采样点，即每个样本的维数是1024维，分别建立单故障数据集和双故障数据集；按比例对两类数据集进行划分，得到对应的训练集和测试集，用于神经网络的训练与测试；绘制训练集的准确度曲线、损失函数曲线和测试集的混淆矩阵，作为网络模型的评价指标。