| 摘要 | 第5-7页 |
| ABSTRACT | 第7-8页 |
| 第1章 绪论 | 第14-22页 |
| 1.1 模拟电路故障诊断的研究背景 | 第14页 |
| 1.2 模拟电路故障诊断研究的意义 | 第14-16页 |
| 1.3 模拟电路故障诊断国内外研究现状 | 第16-20页 |
| 1.4 研究的主要内容及创新点 | 第20-22页 |
| 1.4.1 论文内容安排 | 第20-21页 |
| 1.4.2 论文的主要结构安排 | 第21-22页 |
| 第2章 一种基于构造小波神经网络的模拟电路故障诊断方法 | 第22-52页 |
| 2.1 人工神经网络 | 第23-29页 |
| 2.1.1 神经网络的基本原理 | 第23-24页 |
| 2.1.2 神经网络学习规则 | 第24-26页 |
| 2.1.3 BP神经网络结构模型和学习规则 | 第26-29页 |
| 2.2 小波分析 | 第29-37页 |
| 2.2.1 小波分析的发展 | 第29页 |
| 2.2.2 定义小波变换 | 第29-30页 |
| 2.2.3 小波多分辨率分析 | 第30-35页 |
| 2.2.4 小波与神经网络的结合方式 | 第35-37页 |
| 2.3 小波函数的构造 | 第37-39页 |
| 2.3.1 Shannon函数 | 第37页 |
| 2.3.2“窗”函数 | 第37页 |
| 2.3.3 小波函数的构造 | 第37-38页 |
| 2.3.4 小波神经网络传递函数 | 第38-39页 |
| 2.4 构造小波网络体系结构 | 第39-42页 |
| 2.4.1 小波网络体系结构 | 第39-40页 |
| 2.4.2 构造小波网络训练方法 | 第40-41页 |
| 2.4.3 构造小波网络的故障诊断实施方法 | 第41-42页 |
| 2.5 诊断电路实例 | 第42-51页 |
| 2.6 本章小结 | 第51-52页 |
| 第3章 一种基于FOA--构造小波神经网络模拟电路诊断方法 | 第52-68页 |
| 3.1 果蝇优化算法介绍 | 第53-55页 |
| 3.2 模拟电路故障特征提取方法 | 第55-60页 |
| 3.2.1 主元的定义与求取 | 第56-58页 |
| 3.2.2 主元的分向量及主元模型 | 第58-59页 |
| 3.2.3 确定主元个数的方法 | 第59-60页 |
| 3.3 FOA--构造小波神经网络的故障诊断实施方法 | 第60-61页 |
| 3.4 诊断电路实例 | 第61-66页 |
| 3.5 本章小结 | 第66-68页 |
| 第4章一种基于FOA--LSSVM模拟电路故障诊断方法 | 第68-86页 |
| 4.1 支持向量机介绍 | 第69-71页 |
| 4.1.1 支持向量机原理 | 第69-70页 |
| 4.1.2 最小二乘支持向量机引入 | 第70-71页 |
| 4.2 两种智能算法基本原理 | 第71-76页 |
| 4.2.1 微粒群算法基本原理 | 第71-73页 |
| 4.2.2 果蝇算法原理 | 第73页 |
| 4.2.3 最小二乘支持向量机 | 第73-75页 |
| 4.2.4 两种智能算法的模型建立 | 第75-76页 |
| 4.3 PSO--LSSVM和FOA--LSSVM的故障诊断实施方法 | 第76-77页 |
| 4.4 诊断电路实例 | 第77-85页 |
| 4.5 本章小结 | 第85-86页 |
| 第5章 一种基于混沌FOA--LSSVM模拟电路故障诊断方法 | 第86-99页 |
| 5.1 混沌的研究历史及意义 | 第86-90页 |
| 5.1.1 混沌的定义 | 第87-88页 |
| 5.1.2 混沌的特征[111,112] | 第88-89页 |
| 5.1.3 Logistic映射介绍[125-128] | 第89-90页 |
| 5.2 混沌FOA--LSSVM理论 | 第90-93页 |
| 5.2.1 Logistic 映射变换 | 第90-91页 |
| 5.2.2 果蝇算法（FOA） | 第91页 |
| 5.2.3 最小二乘支持向量机 | 第91-92页 |
| 5.2.4 混沌FOA--LSSVM模型建立 | 第92-93页 |
| 5.3 混沌FOA--LSSVM模拟电路故障诊断实施方法 | 第93-98页 |
| 5.4 本章小结 | 第98-99页 |
| 总结和展望 | 第99-102页 |
| 参考文献 | 第102-111页 |
| 致谢 | 第111-112页 |
| 附录A 攻读学位期间发表的学术论文 | 第112-114页 |
| 附录B 攻读学位期间主持和参与的科研课题 | 第114页 |
