容差模拟电路故障诊断方法研究
| 摘要 | 第1-6页 |
| Abstract | 第6-11页 |
| 第1 章 绪论 | 第11-19页 |
| ·选题背景和意义 | 第11页 |
| ·模拟电路故障分类 | 第11-12页 |
| ·模拟电路故障诊断传统方法 | 第12-14页 |
| ·模拟电路故障诊断的研究现状 | 第14-16页 |
| ·电路诊断中存在的问题 | 第16-17页 |
| ·本文的主要工作 | 第17-19页 |
| 第2 章 基于神经网络的电路故障诊断 | 第19-32页 |
| ·神经网络理论概述 | 第19-21页 |
| ·神经网络模型 | 第19-20页 |
| ·神经网络的学习方法 | 第20-21页 |
| ·应用神经网络的模拟电路诊断 | 第21-23页 |
| ·诊断模型 | 第21-22页 |
| ·神经网络电路故障诊断注意事项 | 第22-23页 |
| ·诊断方法的实施步骤 | 第23页 |
| ·BP 神经网络及其特点分析 | 第23-25页 |
| ·BP 神经网络模型 | 第23-24页 |
| ·BP 神经网络的学习算法 | 第24页 |
| ·BP 神经网络的优缺点 | 第24-25页 |
| ·概率神经网络特点分析 | 第25-27页 |
| ·概率神经网络模型 | 第25页 |
| ·概率神经网络的学习算法 | 第25-26页 |
| ·概率神经网络与BP 网络比较 | 第26-27页 |
| ·基于概率神经网络的电路诊断 | 第27页 |
| ·输入/输出模式 | 第27页 |
| ·训练样本集的选取 | 第27页 |
| ·诊断实例及其结果分析 | 第27-30页 |
| ·待诊断电路 | 第27-28页 |
| ·电路故障诊断过程 | 第28-30页 |
| ·PNN 网络与 BP 网络诊断结果比较 | 第30-31页 |
| ·本章小结 | 第31-32页 |
| 第3 章 基于遗传算法的粗糙集属性约简 | 第32-44页 |
| ·问题的引出 | 第32页 |
| ·粗糙集理论概述 | 第32-37页 |
| ·粗糙集数据分析的基本思想 | 第32-33页 |
| ·粗糙集知识 | 第33-36页 |
| ·粗糙集在数据挖掘中的应用 | 第36-37页 |
| ·遗传算法基本原理 | 第37-39页 |
| ·基于遗传算法的粗集属性约简方法 | 第39-41页 |
| ·编码方法 | 第39页 |
| ·适应值函数的构建 | 第39-40页 |
| ·选择操作 | 第40页 |
| ·交叉操作 | 第40页 |
| ·变异操作 | 第40-41页 |
| ·最优保存策略与终止条件 | 第41页 |
| ·算法执行过程 | 第41页 |
| ·算例 | 第41-43页 |
| ·本章小结 | 第43-44页 |
| 第4 章 基于粗集神经网络的电路故障诊断 | 第44-53页 |
| ·问题的引出 | 第44页 |
| ·粗糙集理论在故障诊断中的应用 | 第44-45页 |
| ·粗糙集与神经网络集成方案 | 第45-46页 |
| ·连续属性值离散处理 | 第46-48页 |
| ·自组织竞争神经网络特点分析 | 第47-48页 |
| ·聚类数目的确定 | 第48页 |
| ·粗糙集与神经网络结合的诊断策略 | 第48页 |
| ·诊断实例 | 第48-51页 |
| ·诊断结果分析 | 第51-52页 |
| ·本章小结 | 第52-53页 |
| 第5 章 基于神经网络数据融合的电路诊断 | 第53-64页 |
| ·问题的引出 | 第53页 |
| ·D-S 证据理论 | 第53-55页 |
| ·D-S 证据理论基础知识 | 第54页 |
| ·D-S 证据理论的组合规则 | 第54-55页 |
| ·证据理论和神经网络融合诊断方法 | 第55-59页 |
| ·RBF 网络特点分析 | 第56-57页 |
| ·基于训练样本的神经网络选取规则 | 第57-58页 |
| ·证据理论基本概率赋值函数的构造 | 第58页 |
| ·神经网络的输出设定 | 第58-59页 |
| ·诊断实例及分析 | 第59-62页 |
| ·本章小结 | 第62-64页 |
| 结论 | 第64-66页 |
| 参考文献 | 第66-71页 |
| 致谢 | 第71-72页 |
| 附录 A 攻读学位期间所发表的学术论文目录 | 第72-73页 |
| 附录 B 攻读学位期间参与的科研工作 | 第73页 |
