基于主成分的概率神经网络模拟电路故障诊断的研究
| 摘要 | 第1-6页 |
| Abstract | 第6-11页 |
| 第1章 绪论 | 第11-21页 |
| ·模拟电路故障诊断的意义 | 第11-12页 |
| ·模拟电路故障诊断的研究现状及发展 | 第12-14页 |
| ·模拟电路故障测试与故障诊断的范畴 | 第14-15页 |
| ·模拟电路故障测试 | 第14页 |
| ·模拟电路故障诊断范畴 | 第14-15页 |
| ·模拟电路故障诊断的方法及其瓶颈 | 第15-17页 |
| ·神经网络故障诊断问题的提出 | 第17页 |
| ·神经网络的故障诊断能力 | 第17-18页 |
| ·基于神经网络的故障诊断方法研究现状 | 第18-19页 |
| ·本文的工作 | 第19-21页 |
| 第2章 模拟电路故障诊断理论 | 第21-29页 |
| ·模拟电路故障诊断概述 | 第21页 |
| ·模拟电路故障产生原因与模式识别 | 第21-24页 |
| ·模式识别概述 | 第22-24页 |
| ·模拟电路故障特征及提取 | 第24-25页 |
| ·模拟电路故障类型 | 第25-27页 |
| ·模拟电路故障诊断方法分类 | 第27-28页 |
| ·本章小结 | 第28-29页 |
| 第3章 神经网络理论 | 第29-51页 |
| ·神经网络理论概述 | 第29-38页 |
| ·神经网络理论的发展历史 | 第29-30页 |
| ·神经网络的发展的特点 | 第30-31页 |
| ·神经网络的基本原理 | 第31-35页 |
| ·神经网络学习算法 | 第35-38页 |
| ·BP 神经网络结构 | 第38-42页 |
| ·BP 网络模型结构 | 第38-40页 |
| ·BP 网络的学习算法 | 第40-42页 |
| ·BP 网络学习算法的主要问题 | 第42页 |
| ·径向基函数神经网络 | 第42-45页 |
| ·RBF 神经网络模型 | 第42-44页 |
| ·RBF 网络的学习算法 | 第44-45页 |
| ·概率神经网络模型 | 第45-50页 |
| ·概率神经网络模式识别机理 | 第45-50页 |
| ·本章小结 | 第50-51页 |
| 第4章 主成分分析法 | 第51-62页 |
| ·主成分分析法法简介 | 第51-52页 |
| ·主成分分析法法基本原理 | 第52-58页 |
| ·主成分分析法的主要统计量 | 第52-53页 |
| ·特征根λ | 第53-54页 |
| ·特征向量α(即为载荷) | 第54页 |
| ·主成分分数（得分矩阵） | 第54-55页 |
| ·各成分的贡献率 | 第55页 |
| ·累计贡献率 | 第55-56页 |
| ·计算主成分值，建立新样本 | 第56页 |
| ·确定取几个成分作为主成分的判定方法 | 第56页 |
| ·主成分的图形解释 | 第56页 |
| ·主成分分析法算法 | 第56-58页 |
| ·主成分的诊断实例 | 第58-61页 |
| ·诊断结果 | 第60-61页 |
| ·本章小结 | 第61-62页 |
| 第5章 基于主成分的概率神经网络故障诊断实例 | 第62-73页 |
| ·电路故障特征集的确定 | 第62-66页 |
| ·输入特征的提取和表示 | 第62-63页 |
| ·输出量的表示 | 第63-64页 |
| ·构造样本集 | 第64-66页 |
| ·故障诊断过程 | 第66-68页 |
| ·仿真分析 | 第68-72页 |
| ·BP 网络和 PNN 网络的训练过程 | 第68-72页 |
| ·故障诊断中的模糊集 | 第72页 |
| ·本章小结 | 第72-73页 |
| 总结与展望 | 第73-75页 |
| 1. 全文总结 | 第73-74页 |
| 2. 进一步的工作 | 第74-75页 |
| 参考文献 | 第75-78页 |
| 致谢 | 第78-79页 |
| 附录 A 攻读学位期间所发表的学术论文目录 | 第79-80页 |
| 附录 B 主成分分析(PCA)数据集 1 | 第80-84页 |
| 附录 C 主成分分析(PCA)数据集 2 | 第84-91页 |
