具体涉及一种基于可加性假设和图结构高斯过程模型的模拟电路优化方法。本发明针对具有可加性假设(Additive Assumption)和图结构(Graph Structure)的高维空间，将原高维参数空间分解为多个互不相交的参数子空间，并在参数子空间中构建各参数间的关系依赖图，应用基于可加性假设和图结构的高斯过程模型(Gaussian Process Regression，GPR)，明显降低高维情况下贝叶斯优化方法的时间复杂度，加速电路优化过程。
本发明公开一种基于PCA‑KDR的故障检测方法，为解决传统PCA模型中高斯分布假设问题。具体来讲，本发明方法逐个假设测量变量数据缺失，然后利用已知数据回归(Known Data Regression，KDR)预测出相应的主元估计值，最后利用主元估计误差实施故障检测。而且，本发明方法不再局限于原始训练数据的高斯分布假设。取而代之的是，无论原始数据是否服从高斯分布，本发明方法监测对象(即估计误差)始终服从高斯分布。可以说，本发明方法能显著提升传统PCA模型的故障检测能力，是一种更为优选的数据驱动故障检测方法。
