| 摘要 | 第5-7页 |
| ABSTRACT | 第7-8页 |
| 第一章 绪论 | 第12-21页 |
| 1.1 选题的背景和意义 | 第12-14页 |
| 1.2 模拟电路故障诊断技术的国内外研究现状 | 第14-20页 |
| 1.2.1 测试后仿真方法（SAT） | 第15-17页 |
| 1.2.2 测试前仿真方法（SBT） | 第17-20页 |
| 1.3 本论文的结构安排 | 第20-21页 |
| 第二章 信息论观点下的线性系统推导 | 第21-50页 |
| 2.1 线性系统的特征 | 第21-22页 |
| 2.2 信息、线性系统与测量 | 第22-44页 |
| 2.2.1 信息 | 第22-27页 |
| 2.2.1.1 熵函数的自然语言推导 | 第23-24页 |
| 2.2.1.2 熵函数的公理化构造 | 第24-26页 |
| 2.2.1.3 熵函数的实用化构造 | 第26-27页 |
| 2.2.2 线性系统扰动 | 第27-40页 |
| 2.2.2.1 线性系统扰动的时域描述 | 第29-31页 |
| 2.2.2.2 线性系统扰动的频域描述 | 第31-40页 |
| 2.2.3 模拟电路故障诊断中的测量不确定性 | 第40-44页 |
| 2.3 信息论与线性系统 | 第44-48页 |
| 2.3.1 信息观点下的线性系统及扰动 | 第44-45页 |
| 2.3.2 故障诊断与相对熵 | 第45-48页 |
| 2.4 本章小结 | 第48-50页 |
| 第三章 电路噪声推导 | 第50-71页 |
| 3.1 电子系统噪声及模型 | 第50-56页 |
| 3.2 高斯噪声 | 第56-63页 |
| 3.2.1 相关函数法导出高斯分布 | 第56-59页 |
| 3.2.2 信息论方法导出高斯分布 | 第59-63页 |
| 3.3 类高斯噪声模型的推导及其物理含义 | 第63-70页 |
| 3.3.1 q-高斯分布模型的推导 | 第64-65页 |
| 3.3.2 q-高斯分布模型中q参数的推导及物理意义 | 第65-70页 |
| 3.4 本章小结 | 第70-71页 |
| 第四章 香农信息观点下的模拟电路故障诊断方法 | 第71-99页 |
| 4.1 噪声、信息及故障诊断 | 第71-72页 |
| 4.2 信息流故障诊断模型 | 第72-73页 |
| 4.3 基于高斯噪声估计的模拟电路故障诊断方法 | 第73-98页 |
| 4.3.1 高斯噪声估计的卡尔曼滤波器方法 | 第73-85页 |
| 4.3.1.1 故障模型 | 第73-74页 |
| 4.3.1.2 噪声增强诊断方案 | 第74-75页 |
| 4.3.1.3 卡尔曼滤波器 | 第75-77页 |
| 4.3.1.4 基于卡尔曼滤波方案的高斯噪声估计 | 第77-78页 |
| 4.3.1.5 特征提取的熵方法 | 第78-79页 |
| 4.3.1.6 分类器 | 第79页 |
| 4.3.1.7 实现算法 | 第79页 |
| 4.3.1.8 实验结果 | 第79-85页 |
| 4.3.2 最小相对熵原理 | 第85-98页 |
| 4.3.2.1 最大熵原理 | 第85-89页 |
| 4.3.2.2 基于最小相对熵原理的模拟电路故障诊断方法 | 第89-94页 |
| 4.3.2.3 实验结果 | 第94-98页 |
| 4.4 本章小结 | 第98-99页 |
| 第五章 费舍尔信息观点下的模拟电路故障诊断方法 | 第99-111页 |
| 5.1 费舍尔信息 | 第99页 |
| 5.2 最小费舍尔信息原理 | 第99-102页 |
| 5.3 基于最小费舍尔信息原理的模拟电路故障诊断方法 | 第102-103页 |
| 5.4 实验结果 | 第103-107页 |
| 5.5 费舍尔信息与香农熵信息模拟电路故障诊断方法比较 | 第107-110页 |
| 5.6 本章小结 | 第110-111页 |
| 第六章 结论 | 第111-113页 |
| 6.1 本文的主要贡献 | 第111-112页 |
| 6.2 下一步工作的展望 | 第112-113页 |
| 致谢 | 第113-114页 |
| 参考文献 | 第114-123页 |
| 攻博期间取得的研究成果 | 第123-124页 |
