| 摘要 | 第1-5页 |
| Abstract | 第5-8页 |
| 第1章 绪论 | 第8-14页 |
| ·选题的背景及意义 | 第8页 |
| ·建筑电气故障诊断研究现状 | 第8-9页 |
| ·常见的故障诊断方法 | 第9-12页 |
| ·论文的主要工作 | 第12-14页 |
| 第2章 建筑电气系统故障诊断简介 | 第14-21页 |
| ·建筑电气系统概述 | 第14-17页 |
| ·建筑电气系统的组成和分类 | 第14-15页 |
| ·建筑电气的主要内容 | 第15-17页 |
| ·建筑电气设备的故障诊断技术 | 第17-19页 |
| ·电气故障的关键参数 | 第17-18页 |
| ·电气设备故障检测方法 | 第18-19页 |
| ·建筑电气系统的故障诊断 | 第19-21页 |
| ·建筑电气线路 | 第19页 |
| ·建筑电气照明 | 第19-20页 |
| ·建筑电气动力系统 | 第20页 |
| ·建筑电气弱电控制系统 | 第20页 |
| ·电梯系统 | 第20页 |
| ·防雷接地系统 | 第20-21页 |
| 第3章 神经网络在故障诊断领域的应用 | 第21-27页 |
| ·神经网络概述 | 第21页 |
| ·神经网络应用于故障诊断的优势 | 第21-22页 |
| ·神经网络与故障模式识别的关系 | 第22-25页 |
| ·常用的模式识别方法 | 第22-23页 |
| ·故障模式识别中的神经网络技术 | 第23-24页 |
| ·典型的神经网络模型简介 | 第24-25页 |
| ·神经网络的 MATLAB 实现 | 第25-27页 |
| ·MATLAB 概述 | 第25页 |
| ·MATLAB 的语言特点 | 第25页 |
| ·神经网络的 MATLAB 实现 | 第25-27页 |
| 第4章 基于 SPIKING 的 RBF 神经网络模型 | 第27-40页 |
| ·SPIKE 神经元模型 | 第27-28页 |
| ·神经网络的生物学背景 | 第27页 |
| ·Spike 神经元分析 | 第27-28页 |
| ·径向基神经网络 | 第28-32页 |
| ·网络结构和工作原理 | 第29-30页 |
| ·权值聚类算法 | 第30-32页 |
| ·基于 SPIKE 脉冲神经元的神经网络 | 第32-36页 |
| ·基于 Spike 脉冲神经元的神经网络结构 | 第32页 |
| ·基于 Spike 脉冲神经元的工作原理 | 第32-34页 |
| ·基于 RBF 结构的 Spiking 神经网络算法 | 第34-35页 |
| ·Spiking 神经网络的模式识别问题 | 第35-36页 |
| ·基于 SPIKE 脉冲神经元的 RBF 神经网络故障诊断算法 | 第36-40页 |
| 第5章 基于 GA 优化的 EBF 神经网络 | 第40-54页 |
| ·遗传算法 | 第40-42页 |
| ·遗传算法（Genetic Algorithm，GA）概述 | 第40页 |
| ·遗传算法优化策略简介 | 第40-41页 |
| ·遗传算法在控制领域的特点 | 第41页 |
| ·遗传算法使用过程中的注意事项 | 第41-42页 |
| ·椭球基神经网络模型 | 第42-45页 |
| ·椭球基（Ellipsoidal Basis Function）神经网络简介 | 第42-44页 |
| ·椭球基神经网络与径向基神经网络的比较 | 第44-45页 |
| ·遗传算法寻优 EBF 神经网络的隐层节点中心值 | 第45-48页 |
| ·神经网络与遗传算法的融合 | 第45页 |
| ·遗传神经网络的实现 | 第45-46页 |
| ·基于遗传算法的神经网络训练 | 第46-47页 |
| ·算法实现 | 第47-48页 |
| ·RBF 神经网络与 EBF 神经网络的比较 | 第48-54页 |
| ·RBF 神经网络与 EBF 神经网络的仿真比较结果 | 第48-51页 |
| ·基于 GA 优化的 RBF 神经网络和 EBF 神经网络比较 | 第51-54页 |
| 第6章 建筑电气实验平台简介 | 第54-66页 |
| ·实验平台搭建 | 第54-57页 |
| ·建筑电气实验平台 MA2067 的介绍 | 第54-56页 |
| ·实验原理 | 第56-57页 |
| ·实验目的 | 第57页 |
| ·实验仪器 | 第57页 |
| ·部分实测故障方法及数据采集 | 第57-59页 |
| ·实验结果与故障模式说明 | 第59-60页 |
| ·建筑电气实验平台测试结果 | 第60-62页 |
| ·诊断结果分析 | 第62-66页 |
| ·基于 SPIKING 的 RBF 神经网络故障诊断结果 | 第62-64页 |
| ·基于 GA 优化的 EBF 神经网络 | 第64-66页 |
| 结论与展望 | 第66-68页 |
| 参考文献 | 第68-73页 |
| 致谢 | 第73页 |
