| 摘要 | 第1-6页 |
| Abstract | 第6-11页 |
| 第1章 绪论 | 第11-17页 |
| ·课题研究背景 | 第11页 |
| ·课题研究的目的和意义 | 第11-12页 |
| ·模拟电路故障诊断技术的发展及研究现状 | 第12-14页 |
| ·国外故障诊断技术的发展及研究现状 | 第12-13页 |
| ·国内故障诊断技术的发展及研究现状 | 第13-14页 |
| ·模拟电路故障诊断的难点 | 第14-15页 |
| ·课题研究所做的主要工作 | 第15-17页 |
| 第2章 模拟电路故障诊断 | 第17-21页 |
| ·模拟电路故障的分类 | 第17页 |
| ·模拟电路故障诊断的基本方法 | 第17-20页 |
| ·测前模拟方法 | 第17-18页 |
| ·测后模拟法 | 第18-19页 |
| ·逼近法和人工智能 | 第19-20页 |
| ·模拟电路故障的测试 | 第20页 |
| ·本章小结 | 第20-21页 |
| 第3章 信息熵 | 第21-29页 |
| ·信息熵概念的发展 | 第21-22页 |
| ·熵 | 第22-23页 |
| ·连续随机变量的微分熵 | 第23-24页 |
| ·最大熵原则 | 第24-25页 |
| ·互信息 | 第25-26页 |
| ·最大熵方法 | 第26-27页 |
| ·本章小结 | 第27-29页 |
| 第4章 改进的小波变换及其应用 | 第29-43页 |
| ·小波的起源 | 第29页 |
| ·一维连续小波变换和离散小波变换 | 第29-31页 |
| ·多分辨分析与小波构造 | 第31-32页 |
| ·Daubechies小波 | 第32-33页 |
| ·小波熵 | 第33-34页 |
| ·诊断电路实例一 | 第34-41页 |
| ·本章小结 | 第41-43页 |
| 第5章 自适应量子粒子群优化算法 | 第43-51页 |
| ·粒子群优化算法的产生背景 | 第43-44页 |
| ·粒子群算法的发展 | 第44-45页 |
| ·PSO算法的应用 | 第45-46页 |
| ·量子粒子群优化算法 | 第46-50页 |
| ·QPSO算法过程 | 第47-49页 |
| ·自适应量子粒子群优化算法 | 第49-50页 |
| ·本章小结 | 第50-51页 |
| 第6章 AQPSO算法和RBF神经网络相结合的故障诊断方法 | 第51-77页 |
| ·人工神经网络的发展应用、结构和学习方式 | 第51-56页 |
| ·人工神经网络的发展 | 第51-52页 |
| ·人工神经网络的应用 | 第52-53页 |
| ·神经网络的结构 | 第53-55页 |
| ·神经网络的学习方式 | 第55-56页 |
| ·基于AQPSO结合RBF神经网络算法的模拟电路故障诊断 | 第56-72页 |
| ·RBF神经网络的结构 | 第56-57页 |
| ·RBF神经网络的映射关系 | 第57-58页 |
| ·RBF网络训练的准则和常用算法 | 第58-61页 |
| ·应用QPSO算法和AQPSO算法训练RBF神经网络 | 第61-64页 |
| ·诊断电路实例二 | 第64-70页 |
| ·诊断电路实例三 | 第70-72页 |
| ·模拟电路故障诊断系统设计及实现 | 第72-75页 |
| ·本章小结 | 第75-77页 |
| 第7章 结论与展望 | 第77-79页 |
| ·结论 | 第77页 |
| ·展望 | 第77-79页 |
| 参考文献 | 第79-83页 |
| 致谢 | 第83-85页 |
| 攻读硕士期间参加的科研项目及发表的论文 | 第85页 |
