| 致谢 | 第7-8页 |
| 摘要 | 第8-9页 |
| ABSTRACT | 第9页 |
| 第一章 绪论 | 第16-20页 |
| 1.1 课题研究背景及意义 | 第16-17页 |
| 1.2 电子电路故障诊断技术的发展与分类 | 第17-18页 |
| 1.2.1 电子电路故障诊断方法的研究进展 | 第17页 |
| 1.2.2 电子电路故障诊断方法的分类 | 第17-18页 |
| 1.3 本文主要研究内容和安排 | 第18-20页 |
| 1.3.1 本文的主要研究内容 | 第18-19页 |
| 1.3.2 本文的章节内容安排 | 第19-20页 |
| 第二章 电子电路故障诊断的理论概述 | 第20-26页 |
| 2.1 电子电路故障诊断的基本原理 | 第20-22页 |
| 2.1.1 电路测前仿真诊断方法 | 第20-21页 |
| 2.1.2 电路故障诊断的智能诊断方法 | 第21-22页 |
| 2.2 电子电路故障诊断中的特征提取方法 | 第22-25页 |
| 2.2.1 基于故障信息量的故障特征提取 | 第22-24页 |
| 2.2.2 基于数据处理的故障特征提取 | 第24-25页 |
| 2.3 本章小结 | 第25-26页 |
| 第三章 流形学习融合算法及电子电路故障特征提取 | 第26-42页 |
| 3.1 流形学习算法 | 第26-31页 |
| 3.1.1 线性流形学习算法 | 第26-29页 |
| 3.1.2 非线性流形学习算法 | 第29-31页 |
| 3.1.3 非线性和线性流形学习算法的融合 | 第31页 |
| 3.2 基于LLE-MDS的电路故障特征提取方法 | 第31-41页 |
| 3.2.1 融合LLE和MDS的特征提取技术 | 第31-34页 |
| 3.2.2 实验探究 | 第34-37页 |
| 3.2.3 结果分析 | 第37-41页 |
| 3.3 本章小结 | 第41-42页 |
| 第四章 基于群智能优化算法的SVM分类器模型 | 第42-49页 |
| 4.1 群智能优化算法 | 第42-44页 |
| 4.1.1 遗传算法（GA） | 第42-43页 |
| 4.1.2 粒子群优化算法（PSO） | 第43-44页 |
| 4.2 基于优化SVM的电路故障诊断方法 | 第44-48页 |
| 4.2.1 支持向量机（SVM）的基本原理 | 第44-46页 |
| 4.2.2 支持向量机参数选择 | 第46-47页 |
| 4.2.3 基于优化SVM的故障模式分类器模型 | 第47-48页 |
| 4.3 本章小结 | 第48-49页 |
| 第五章 基于DCQGA-SVM的故障诊断分类器研究 | 第49-65页 |
| 5.1 双链量子遗传算法（DCQGA）的原理概述 | 第49-51页 |
| 5.2 基于双链量子遗传算法优化的SVM分类器（DCQGA-SVM） | 第51-55页 |
| 5.2.1 DCQGA-SVM的基本原理 | 第51-52页 |
| 5.2.2 UCI标准数据集的分类器性能测试分析 | 第52-55页 |
| 5.3 基于DCQGA-SVM的电路故障诊断 | 第55-64页 |
| 5.3.1 诊断原理及步骤 | 第55-56页 |
| 5.3.2 实例分析 | 第56-60页 |
| 5.3.3 结果分析 | 第60-64页 |
| 5.4 本章小结 | 第64-65页 |
| 第六章 总结与展望 | 第65-67页 |
| 6.1 总结 | 第65页 |
| 6.2 展望 | 第65-67页 |
| 参考文献 | 第67-71页 |
| 攻读硕士学位期间的学术活动及成果情况 | 第71-72页 |