基于支持向量机(SVM)的模拟电路多故障诊断通常使用单个特征向量来训练所有二进制SVM分类器。 实际上,每个二进制SVM分类器针对不同的特征向量具有不同的分类精度。 但是,没有人讨论最佳或接近最佳的特征向量选择问题。 基于马氏距离,提出了一种基于最小二乘支持向量机(LS-SVM)的近似最优特征向量选择方法。 还讨论了小波类型,小波分解级别和归一化方法的选择问题。 两个带有参数故障的滤波器和一个带有硬故障和参数故障的非线性半波整流器被用作被测电路(CUT)。 仿真结果表明:(1)使用具有最大MD的特征向量的精度要优于使用所有特征向量的平均精度,并且要优于使用单个特征向量的大多数精度。 但是使用MD方法的计算时间比使用单个特征向量的计算时间大一个数量级。 (2)使用最大MD方法的大多数诊断准确度接近使用穷举法的最佳准确度,而与穷举法相比,计算时间减少了约20-50%; (3)Haar小波是Daubechie小波家族中所有CUT诊断的最佳选择; (4)特征向量归一化仅需考虑非归一化,全归一化和部分归一化方法。 所提出的方法可以在合理的时间内获得接近最佳的诊断精度,这对模拟IC或电路的测试和诊