| 摘要 | 第4-5页 |
| Abstract | 第5-6页 |
| 1 绪论 | 第11-19页 |
| 1.1 课题背景及意义 | 第11-12页 |
| 1.2 国内外研究现状 | 第12-16页 |
| 1.2.1 装备故障诊断方法研究现状 | 第12-13页 |
| 1.2.2 故障样本优化分配方法研究现状 | 第13-14页 |
| 1.2.3 测试性评价方法研究现状 | 第14-16页 |
| 1.3 论文主要解决的问题 | 第16页 |
| 1.4 研究思路及内容安排 | 第16-19页 |
| 1.4.1 论文研究思路 | 第16-17页 |
| 1.4.2 论文内容安排 | 第17-19页 |
| 2 基于AdaBoost和GABP的模拟电路故障诊断方法 | 第19-35页 |
| 2.1 模拟电路故障诊断方法概述 | 第19-20页 |
| 2.1.1 基于解析模型的诊断方法 | 第19页 |
| 2.1.2 基于知识的智能诊断方法 | 第19-20页 |
| 2.1.3 本文提出的方法 | 第20页 |
| 2.2 模拟电路故障分析及其特征提取 | 第20-21页 |
| 2.2.1 基于Pspice的模拟电路软故障建模 | 第20-21页 |
| 2.2.2 故障模式的MonteCarlo分析 | 第21页 |
| 2.2.3 故障特征提取 | 第21页 |
| 2.3 Ada Boost-GABP分类器 | 第21-25页 |
| 2.3.1 AdaBoost算法 | 第21-23页 |
| 2.3.2 GABP分类器 | 第23-25页 |
| 2.3.2.1 利用GA优化BP网络 | 第23-25页 |
| 2.3.2.2 L-M训练算法 | 第25页 |
| 2.4 基于AdaBoost与GABP网络诊断模拟电路故障 | 第25-26页 |
| 2.5 实例分析及验证 | 第26-34页 |
| 2.5.1 电路分析及故障特征提取 | 第27-28页 |
| 2.5.2 构建故障样本 | 第28-29页 |
| 2.5.3 构建GABP单分类器并诊断故障 | 第29-32页 |
| 2.5.4 构建AdaBoost-GABP分类器并诊断故障 | 第32-33页 |
| 2.5.5 诊断结果及其性能对比分析 | 第33-34页 |
| 2.6 本章小结 | 第34-35页 |
| 3 故障样本的集成加权分配方法 | 第35-55页 |
| 3.1 故障样本分配方法概述 | 第35-37页 |
| 3.1.1 传统的故障样本分配方法 | 第35页 |
| 3.1.2 故障样本的多指标综合分配方法 | 第35-36页 |
| 3.1.3 本文提出的方法 | 第36-37页 |
| 3.2 基于遗传神经网络的故障率预测 | 第37-38页 |
| 3.2.1 构建初始GABP网络 | 第37-38页 |
| 3.2.2 构建训练样本并训练网络 | 第38页 |
| 3.2.3 用GABP网络预测故障率 | 第38页 |
| 3.3 故障严酷度、危害度确定 | 第38-41页 |
| 3.3.1 严酷度的模糊模式识别方法 | 第38-40页 |
| 3.3.2 危害度的改进计算方法 | 第40-41页 |
| 3.4 环境因子的确定 | 第41-43页 |
| 3.4.1 主环境因子分析 | 第41-42页 |
| 3.4.2 主环境因子与故障关联度的确定 | 第42-43页 |
| 3.5 指标权重的确定 | 第43-45页 |
| 3.5.1 偏好比率法求权重 | 第43-44页 |
| 3.5.2 标准离差法求权重 | 第44页 |
| 3.5.3 集成主客观法求权重 | 第44-45页 |
| 3.6 故障样本总量的分配 | 第45页 |
| 3.7 实例分析及验证 | 第45-53页 |
| 3.7.1 故障率计算 | 第45-47页 |
| 3.7.2 严酷度及危害度确定 | 第47-50页 |
| 3.7.3 故障扩散度及被检测难度计算 | 第50页 |
| 3.7.4 环境因子的确定 | 第50-51页 |
| 3.7.5 权重的确定 | 第51页 |
| 3.7.6 故障样本分配结果 | 第51-53页 |
| 3.7.7 集成加权分配方法可信度分析 | 第53页 |
| 3.8 本章小结 | 第53-55页 |
| 4 研制阶段测试性验证与评价的动态贝叶斯方法 | 第55-74页 |
| 4.1 引言 | 第55-56页 |
| 4.2 测试性水平评价方法概述 | 第56-58页 |
| 4.2.1 传统的贝叶斯信息融合方法 | 第56-57页 |
| 4.2.2 动态贝叶斯方法 | 第57页 |
| 4.2.3 本文提出的方法 | 第57-58页 |
| 4.3 故障检测率动态增长模型 | 第58-60页 |
| 4.3.1 模型概述 | 第58-59页 |
| 4.3.2 基于新Dirichlet分布的动态增长模型 | 第59-60页 |
| 4.4 动态模型超参数的确定 | 第60-63页 |
| 4.4.1 基于加权求和的专家经验信息融合 | 第60-61页 |
| 4.4.2 基于D-S区间证据理论的专家信息融合 | 第61-62页 |
| 4.4.3 非线性优化算法求解超参数 | 第62-63页 |
| 4.5 动态模型的后验推断 | 第63页 |
| 4.6 利用WinBUGS求解后验积分 | 第63-66页 |
| 4.6.1 MCMC基础理论 | 第63-64页 |
| 4.6.2 Gibbs抽样 | 第64-65页 |
| 4.6.3 Gibbs抽样的WinBUGS实现 | 第65-66页 |
| 4.7 实例分析及验证 | 第66-73页 |
| 4.7.1 利用D-S证据理论融合专家信息 | 第66-67页 |
| 4.7.2 利用非线性优化算法拟合先验信息 | 第67-68页 |
| 4.7.3 利用Gibbs抽样法求解后验积分 | 第68-73页 |
| 4.7.4 利用Gibbs抽样得到后验估计值 | 第73页 |
| 4.8 本章小结 | 第73-74页 |
| 5 总结与展望 | 第74-76页 |
| 5.1 总结 | 第74-75页 |
| 5.2 展望 | 第75-76页 |
| 参考文献 | 第76-80页 |
| 个人简历、在学期间发表的学术论文与研究成果 | 第80-81页 |
| 致谢 | 第81页 |
