| 摘要 | 第5-6页 |
| ABSTRACT | 第6-7页 |
| 第1章 绪论 | 第11-21页 |
| 1.1 课题研究背景和意义 | 第11-13页 |
| 1.2 大功率LED结温测试的研究现状 | 第13-16页 |
| 1.2.1 结温对LED性能的影响 | 第13-14页 |
| 1.2.2 大功率LED结温测试的国内外研究现状 | 第14-16页 |
| 1.3 系统辨识理论 | 第16-19页 |
| 1.3.1 系统辨识理论概述 | 第16-17页 |
| 1.3.2 系统辨识的步骤和方法 | 第17页 |
| 1.3.3 遗传算法优化人工神经网络的研究及发展 | 第17-19页 |
| 1.4 本文的主要研究内容 | 第19-21页 |
| 第2章 LED光电热寿命理论模型 | 第21-32页 |
| 2.1 LED结构和发光原理 | 第21-22页 |
| 2.2 影响LED结温大小的因素 | 第22-23页 |
| 2.3 大功率LED的光电热寿命模型 | 第23-31页 |
| 2.3.1 LED的热阻和结温 | 第23-24页 |
| 2.3.2 LED寿命和结温关系推导 | 第24-25页 |
| 2.3.3 LED光通量和输入功率关系推导 | 第25-27页 |
| 2.3.4 LED输入功率和结温关系推导 | 第27-29页 |
| 2.3.5 大功率LED寿命预测模型 | 第29-31页 |
| 2.4 本章小结 | 第31-32页 |
| 第3章 大功率LED结温的动态模型辨识 | 第32-45页 |
| 3.1 阶跃响应辨识理论 | 第32-35页 |
| 3.1.1 切线法 | 第32页 |
| 3.1.2 两点法 | 第32-33页 |
| 3.1.3 面积法 | 第33-35页 |
| 3.2 实验平台 | 第35-38页 |
| 3.2.1 实验系统组成 | 第35-36页 |
| 3.2.2 实验数据采集 | 第36-38页 |
| 3.3 LED结温的动态模型辨识 | 第38-44页 |
| 3.3.1 LED结温动态模型建立 | 第38-41页 |
| 3.3.2 动态模型辨识 | 第41-42页 |
| 3.3.3 LED动态模型分析 | 第42-44页 |
| 3.4 本章小结 | 第44-45页 |
| 第4章 LM-BP神经网络的大功率LED结温预测模型 | 第45-58页 |
| 4.1 LM-BP神经网络结温预测模型的建立 | 第45-50页 |
| 4.1.1 BP神经网络的结构 | 第45-46页 |
| 4.1.2 BP神经网络预测理论 | 第46-47页 |
| 4.1.3 BP神经网络学习参数的选择 | 第47-49页 |
| 4.1.4 BP神经网络的不足 | 第49页 |
| 4.1.5 LM算法改进BP神经网络 | 第49-50页 |
| 4.2 实验分析 | 第50-51页 |
| 4.2.1 实验数据采集 | 第50-51页 |
| 4.2.3 数据处理与分析 | 第51页 |
| 4.3 模型预测结果分析和对比 | 第51-56页 |
| 4.3.1 基于BP神经网络的结温预测结果 | 第51-52页 |
| 4.3.2 基于LM-BP神经网络的结温预测结果 | 第52-56页 |
| 4.4 本章小结 | 第56-58页 |
| 第5章 遗传算法优化LM-BP神经网络大功率LED结温预测模型 | 第58-69页 |
| 5.1 遗传算法基础理论 | 第58-61页 |
| 5.1.1 遗传算法的基本思想 | 第58-59页 |
| 5.1.2 遗传算法的基本操作算子 | 第59-60页 |
| 5.1.3 遗传算法的计算原理 | 第60-61页 |
| 5.2 遗传算法和神经网络结合 | 第61-62页 |
| 5.3 遗传算法优化LM-BP神经网络结温预测模型 | 第62-68页 |
| 5.3.1 遗传算法优化BP神经网络 | 第62-64页 |
| 5.3.2 遗传算法优化LM-BP神经网络模型的建立 | 第64页 |
| 5.3.3 网络训练及预测结果 | 第64-68页 |
| 5.4 本章小结 | 第68-69页 |
| 结论 | 第69-71页 |
| 参考文献 | 第71-76页 |
| 攻读硕士学位期间承担的科研任务与主要成果 | 第76-77页 |
| 致谢 | 第77-78页 |
| 作者简介 | 第78页 |
