| 摘要 | 第1-6页 |
| Abstract | 第6-11页 |
| 第1章 绪论 | 第11-18页 |
| ·课题研究背景及其意义 | 第11-12页 |
| ·模拟电路诊断技术的发展及现状 | 第12-14页 |
| ·模拟电路故障诊断方法的分类 | 第14-15页 |
| ·小波分析在电路诊断中的应用 | 第15-16页 |
| ·支持向量机在电路诊断中的应用 | 第16-17页 |
| ·论文的主要内容与结构安排 | 第17-18页 |
| 第2章 模拟电路诊断的支持向量机方法 | 第18-31页 |
| ·引言 | 第18页 |
| ·支持向量机理论基础 | 第18-25页 |
| ·支持向量机原理 | 第19-20页 |
| ·支持向量机分类方法 | 第20-22页 |
| ·模型选择的意义 | 第22-24页 |
| ·支持向量机参数 | 第24-25页 |
| ·人工神经网络概述 | 第25-29页 |
| ·神经网络的特点 | 第25-26页 |
| ·BP神经网络 | 第26-29页 |
| ·支持向量机与神经网络的比较 | 第29-30页 |
| ·小结 | 第30-31页 |
| 第3章 模拟电路故障特征提取方法 | 第31-45页 |
| ·引言 | 第31页 |
| ·特征提取方法概述 | 第31-34页 |
| ·基于主元分析的特征提取 | 第31-32页 |
| ·基于小波分析的特征提取 | 第32-33页 |
| ·基于互信息熵的特征提取 | 第33页 |
| ·其它特征提取方法 | 第33-34页 |
| ·小波分析法与小波包分解法 | 第34-39页 |
| ·多分辨率分析(MRA) | 第35-37页 |
| ·小波变换 | 第37-38页 |
| ·小波包分析的定义及性质 | 第38-39页 |
| ·小波包的正交性质 | 第39页 |
| ·基于小波包变换的故障特征提取 | 第39-44页 |
| ·小波包的子空间分解 | 第39-40页 |
| ·小波包算法 | 第40-41页 |
| ·基本原理 | 第41-42页 |
| ·实施步骤 | 第42页 |
| ·实例分析 | 第42-44页 |
| ·小结 | 第44-45页 |
| 第4章 基于LSSVM的模拟电路故障诊断 | 第45-53页 |
| ·引言 | 第45页 |
| ·多类分类SVM的原理和算法 | 第45-47页 |
| ·一对一多类分类算法 | 第45-46页 |
| ·一对多多类分类算法 | 第46-47页 |
| ·最小二乘支持向量机(LSSVM) | 第47-48页 |
| ·LSSVM的原理 | 第47-48页 |
| ·LSSVM中参数选取算法的优化 | 第48页 |
| ·基于LSSVM的模拟电路诊断 | 第48-51页 |
| ·诊断原理 | 第48-49页 |
| ·诊断步骤 | 第49-50页 |
| ·实例分析 | 第50-51页 |
| ·小结 | 第51-53页 |
| 第5章 基于模糊最优小波包和LSSVM的模拟电路诊断 | 第53-60页 |
| ·引言 | 第53页 |
| ·模糊规则的应用 | 第53-54页 |
| ·基于模糊准则的最优小波包分解及特征提取 | 第54-55页 |
| ·电路诊断的最优小波包-LSSVM方法 | 第55页 |
| ·实例仿真与分析 | 第55-57页 |
| ·实际电路诊断及结果分析 | 第57-59页 |
| ·小结 | 第59-60页 |
| 结论 | 第60-62页 |
| 参考文献 | 第62-67页 |
| 致谢 | 第67-68页 |
| 附录A (攻读学位期间发表的学术论文目录) | 第68-69页 |
| 附录B (攻读学位期间专利与软件著作权申请情况) | 第69-70页 |
| 附录C (攻读学位期间参加的科研工作及学术活动) | 第70页 |