| 摘要 | 第5-6页 |
| Abstract | 第6-7页 |
| 第1章 绪论 | 第11-16页 |
| 1.1 模拟电路故障诊断的背景意义以及发展历程 | 第11-12页 |
| 1.2 模拟电路故障诊断现状 | 第12-14页 |
| 1.2.1 基于神经网络的模拟电路故障诊断方法 | 第13页 |
| 1.2.2 基于小波理论的模拟电路故障诊断方法 | 第13-14页 |
| 1.2.3 基于粒子群算法的故障诊断方法 | 第14页 |
| 1.3 本文的主要工作 | 第14-16页 |
| 第2章 基于神经网络的模拟电路故障诊断研究 | 第16-25页 |
| 2.1 人工神经网络概述 | 第16-19页 |
| 2.1.1 神经网络基本原理 | 第16页 |
| 2.1.2 神经网络特点 | 第16-17页 |
| 2.1.3 神经网络分类 | 第17-18页 |
| 2.1.4 神经网络学习规则 | 第18-19页 |
| 2.2 BP 神经网络 | 第19-24页 |
| 2.2.1 BP 神经网络基本结构 | 第20-21页 |
| 2.2.2 BP 神经网络的学习算法 | 第21-22页 |
| 2.2.3 传统 BP 算法的局限性以及改进 | 第22-23页 |
| 2.2.4 BP 神经网络在模拟电路故障诊断中的应用 | 第23-24页 |
| 2.3 本章小结 | 第24-25页 |
| 第3章 模拟电路故障诊断中故障特征提取 | 第25-34页 |
| 3.1 概述 | 第25页 |
| 3.2 故障特征提取方法概述 | 第25-28页 |
| 3.2.1 基于核函数的非线性特征提取 | 第26页 |
| 3.2.2 基于粗糙集的特征提取方法 | 第26页 |
| 3.2.3 基于主元分析的特征提取 | 第26-28页 |
| 3.3 基于小波分析的特征提取 | 第28-33页 |
| 3.3.1 小波的基本概念 | 第28-30页 |
| 3.3.2 小波信号的分解及重构 | 第30-31页 |
| 3.3.3 小波信号的去噪 | 第31页 |
| 3.3.4 小波的故障特征提取 | 第31-33页 |
| 3.4 本章小结 | 第33-34页 |
| 第4章 粒子群算法优化 BP 神经网络 | 第34-51页 |
| 4.1 基本粒子群算法 | 第34-38页 |
| 4.1.1 算法原理 | 第35-36页 |
| 4.1.2 算法流程 | 第36页 |
| 4.1.3 基本离子群的全局性行为分析 | 第36-38页 |
| 4.2 标准粒子群算法 | 第38-40页 |
| 4.2.1 带惯性权重的粒子群优化算法 | 第38-39页 |
| 4.2.2 带收缩因子的粒子群优化算法 | 第39-40页 |
| 4.3 粒子群优化算法实现与参数选取 | 第40-43页 |
| 4.3.1 粒子群算法实现的基本原则 | 第40页 |
| 4.3.2 设计粒子群算法的步骤 | 第40-41页 |
| 4.3.3 算法的参数选取 | 第41-43页 |
| 4.4 粒子群算法优化 BP 神经网络 | 第43-46页 |
| 4.4.1 粒子群优化神经网络的权值 | 第43-44页 |
| 4.4.2 粒子群算法优化 BP 神经网络 | 第44-46页 |
| 4.5 利用粒子群神经网络诊断电路实例 | 第46-50页 |
| 4.5.1 故障电路的分析 | 第46-47页 |
| 4.5.2 BP 神经网络的设计及训练 | 第47-48页 |
| 4.5.3 粒子群神经网络的设计和诊断 | 第48-49页 |
| 4.5.4 诊断结果分析 | 第49-50页 |
| 4.6 本章小结 | 第50-51页 |
| 第5章 基于小波粒子群神经网络的模拟电路故障诊断 | 第51-57页 |
| 5.1 模拟电路故障诊断的实验方案 | 第51页 |
| 5.2 故障的设置 | 第51-52页 |
| 5.3 构造训练样本集 | 第52-54页 |
| 5.3.1 故障信息采集 | 第52页 |
| 5.3.2 故障信息预处理 | 第52页 |
| 5.3.3 特征向量形成 | 第52-54页 |
| 5.4 神经网络优化与诊断 | 第54页 |
| 5.5 诊断结果分析 | 第54-55页 |
| 5.6 本章小结 | 第55-57页 |
| 结论与展望 | 第57-59页 |
| 参考文献 | 第59-63页 |
| 致谢 | 第63-64页 |
| 附录 A | 第64-67页 |