摘要 | 第5-7页 |
ABSTRACT | 第7-9页 |
第1章 绪论 | 第16-24页 |
1.1 模拟电路故障诊断的研究意义 | 第16-19页 |
1.2 故障特征处理技术国内外研究现状 | 第19-20页 |
1.3 研究的主要内容及创新点 | 第20-22页 |
1.3.1 论文内容安排 | 第20-21页 |
1.3.2 论文的主要创新点 | 第21-22页 |
1.4 小结 | 第22-24页 |
第2章 共空间模式的故障特征提取方法分析 | 第24-46页 |
2.1 特征提取方法导引 | 第25-35页 |
2.1.1 用小波变换进行故障特征提取 | 第25-27页 |
2.1.2 用曲线波进行故障数据处理 | 第27-30页 |
2.1.3 故障特征用主成分分析 | 第30-32页 |
2.1.4 用独立成分分析故障数据特征 | 第32-35页 |
2.2 共空间模式特征提取研究 | 第35-42页 |
2.2.1 共空间模式研究思路 | 第37-38页 |
2.2.2 共空间模式特征提取 | 第38-40页 |
2.2.3 共空间频率模式 | 第40-42页 |
2.3 共空间模式在模拟电路故障诊断的应用思路 | 第42-44页 |
2.4 小结 | 第44-46页 |
第3章 基于超限学习机的诊断聚类分析 | 第46-73页 |
3.1 经典神经网络的故障诊断模型分析比较 | 第47-61页 |
3.1.1 模拟电路故障诊断理论 | 第49-50页 |
3.1.2 神经网络故障聚类诊断分析 | 第50-51页 |
3.1.3 经典神经网络的故障诊断模型分析比较 | 第51-61页 |
3.2 超限学习机模拟电路故障诊断方法研究 | 第61-64页 |
3.2.1 超限学习机理论 | 第61-62页 |
3.2.2 超限学习机方法模型 | 第62-63页 |
3.2.3 超限学习机基本聚类 | 第63-64页 |
3.3 ELM学习算法模型 | 第64-67页 |
3.4 ELM网络结构确定方法 | 第67-70页 |
3.4.1 结构选择的必要性和重要性 | 第67页 |
3.4.2 构造方法 | 第67-69页 |
3.4.3 剪枝方法 | 第69-70页 |
3.5 基于共空间模式的超限学习机模拟电路故障诊断方法 | 第70-72页 |
3.6 小结 | 第72-73页 |
第4章 基于CSP和ELM的模拟电路故障诊断仿真 | 第73-91页 |
4.1 故障特征提取 | 第73-74页 |
4.2 超限学习机的多核共空间模型的研究与建立 | 第74-79页 |
4.2.1 多核共空间模型的特征信息处理流程 | 第74-75页 |
4.2.2 主成分分析样本特征提取 | 第75-76页 |
4.2.3 线性CSP方法 | 第76页 |
4.2.4 MCSP特征提取方法 | 第76页 |
4.2.5 MKCSP多核共空间模型 | 第76-79页 |
4.3 超限学习机的聚类诊断 | 第79-81页 |
4.3.1 超限学习机理论 | 第79页 |
4.3.2 超限学习机训练学习聚类 | 第79-80页 |
4.3.3 超限学习机聚类诊断算法步骤 | 第80-81页 |
4.4 模拟电路故障诊断仿真实验 | 第81-89页 |
4.4.1 实验样本 | 第81-82页 |
4.4.2 电路故障实验特征提取 | 第82-84页 |
4.4.3 实验结果分析 | 第84-89页 |
4.5 小结 | 第89-91页 |
第5章 共空间模式和超限学习机故障诊断实验 | 第91-112页 |
5.1 实验电路样本数据采集 | 第94-97页 |
5.1.1 故障样本采集电路原理图 | 第94-95页 |
5.1.2 故障样本采集电路PCB电路图 | 第95-96页 |
5.1.3 故障样本采集电路实物电路板 | 第96-97页 |
5.2 电路故障特征提取 | 第97-101页 |
5.4 共空间模式方法的特征信息处理 | 第101-111页 |
5.4.1 算法步骤 | 第107页 |
5.4.2 实验结果 | 第107-110页 |
5.4.3 实验结果分析 | 第110-111页 |
5.5 小结 | 第111-112页 |
结论 | 第112-114页 |
参考文献 | 第114-124页 |
致谢 | 第124-125页 |
附录A | 第125-127页 |
附录B | 第127-131页 |
附录C | 第131-135页 |
附录D | 第135-139页 |
附录E | 第139-141页 |