机器学习在模拟电路故障诊断中的应用研究
| 摘要 | 第1-6页 |
| Abstract | 第6-10页 |
| 第一章 概论 | 第10-14页 |
| ·本课题研究的背景和意义 | 第10-11页 |
| ·历史及现状 | 第11-13页 |
| ·主要研究内容及章节安排 | 第13-14页 |
| 第二章 模拟电路故障诊断 | 第14-33页 |
| ·模拟电路故障诊断介绍 | 第14-17页 |
| ·模拟电路故障的特点 | 第14页 |
| ·模拟电路故障分类 | 第14-15页 |
| ·模拟电路故障诊断方法 | 第15-17页 |
| ·基准测试电路集 | 第17页 |
| ·基于模式识别的模拟电路故障诊断 | 第17-31页 |
| ·模式识别原理 | 第17-18页 |
| ·模式识别系统组成 | 第18-20页 |
| ·基于模式识别的模拟电路诊断系统 | 第20-23页 |
| ·模拟电路仿真与数据预处理介绍 | 第23-27页 |
| ·实验：仿真电路与故障数据采集 | 第27-31页 |
| ·小结 | 第31-33页 |
| 第三章 机器学习及主要算法 | 第33-51页 |
| ·机器学习概念与发展 | 第33-34页 |
| ·决策树学习 | 第34-38页 |
| ·决策树的基本原理 | 第34-36页 |
| ·决策树的常用算法 | 第36-37页 |
| ·C4.5 算法 | 第37-38页 |
| ·神经网络学习 | 第38-44页 |
| ·人工神经网络概述 | 第38-39页 |
| ·神经网络的类型 | 第39-41页 |
| ·神经网络的学习规则 | 第41-42页 |
| ·BP 神经网络算法 | 第42-44页 |
| ·支持向量机（SVM）方法 | 第44-50页 |
| ·统计学习理论基础 | 第44-48页 |
| ·支持向量机的基本思想 | 第48-49页 |
| ·最优超平面的求解问题 | 第49-50页 |
| ·小结 | 第50-51页 |
| 第四章 机器学习算法比较及模型评估 | 第51-74页 |
| ·学习算法评价研究概述 | 第51页 |
| ·性能标准介绍 | 第51-56页 |
| ·模型的过分拟合 | 第56-58页 |
| ·评估分类器的性能 | 第58-59页 |
| ·比较分类器的方法 | 第59-60页 |
| ·实验：建立模拟电路故障诊断模型 | 第60-68页 |
| ·故障特征数据 | 第60-62页 |
| ·基于C4.5 算法的诊断模型 | 第62-65页 |
| ·基于BP 神经网络的诊断模型 | 第65-66页 |
| ·基于SVM 分类算法的诊断模型 | 第66-67页 |
| ·实验综合整理 | 第67-68页 |
| ·机器学习模型评估 | 第68-72页 |
| ·直流仿真与交流仿真模型的比较 | 第68-69页 |
| ·算法建模能力综合评估 | 第69-72页 |
| ·小结 | 第72-74页 |
| 第五章 结论与展望 | 第74-76页 |
| ·结论 | 第74-75页 |
| ·展望 | 第75-76页 |
| 参考文献 | 第76-80页 |
| 致谢 | 第80-81页 |
| 个人简历 | 第81页 |
| 发表的学术论文 | 第81页 |
