| 摘要 | 第5-7页 |
| ABSTRACT | 第7-8页 |
| 符号对照表 | 第11-12页 |
| 缩略语对照表 | 第12-16页 |
| 第一章 绪论 | 第16-24页 |
| 1.1 研究背景 | 第16-18页 |
| 1.2 研究现状 | 第18-21页 |
| 1.3 本文工作 | 第21-22页 |
| 1.4 内容安排 | 第22-24页 |
| 第二章 类电磁机制基本算法和现代优化算法 | 第24-40页 |
| 2.1 类电磁机制算法的原理 | 第24-25页 |
| 2.2 传统类电磁机制算法的步骤 | 第25-29页 |
| 2.2.1 初始化 | 第25页 |
| 2.2.2 局部搜索 | 第25-26页 |
| 2.2.3 电荷量和合力的计算 | 第26-28页 |
| 2.2.4 粒子位置更新后的最优值 | 第28页 |
| 2.2.5 EM算法的流程图 | 第28-29页 |
| 2.3 EM算法的特点 | 第29-30页 |
| 2.4 EM算法搜索方式的改进 | 第30-31页 |
| 2.5 现代优化方法 | 第31-36页 |
| 2.5.1 优化退火模型 | 第31-32页 |
| 2.5.2 三种仿生优化算法 | 第32-36页 |
| 2.6 无约束优化的概念和约束化问题的处理方法 | 第36-39页 |
| 2.6.1 无约束优化 | 第36-37页 |
| 2.6.2 约束化问题的处理方法 | 第37-38页 |
| 2.6.3 类电磁机制算法的约束化的步骤 | 第38-39页 |
| 2.7 小结 | 第39-40页 |
| 第三章 类电磁机制算法的改进 | 第40-58页 |
| 3.1 目标函数值的归一化 | 第40页 |
| 3.2 优化算法的双混沌迭代搜索机制 | 第40-45页 |
| 3.2.1 混沌的定义 | 第40-43页 |
| 3.2.2 双混沌优化的局部迭代搜索 | 第43-45页 |
| 3.3 更新粒子的遗传变异概率因子 | 第45-46页 |
| 3.4 IEM的算法步骤及代码 | 第46-47页 |
| 3.5 一般函数的仿真 | 第47-50页 |
| 3.6 复杂测试函数的仿真 | 第50-52页 |
| 3.7 非线性函数的仿真 | 第52-53页 |
| 3.8 高维度函数的仿真 | 第53-56页 |
| 3.9 小结 | 第56-58页 |
| 第四章 基于差分进化算法的类电磁机制算法及其在混沌系统中的应用 | 第58-70页 |
| 4.1 引言 | 第58页 |
| 4.2 加强类电磁机制算法的原理 | 第58-62页 |
| 4.2.1 差分进化算法的概述和原理 | 第58-61页 |
| 4.2.2 类电磁机制算法合力计算的优化 | 第61-62页 |
| 4.3 加强类电磁机制算法的运算 | 第62-65页 |
| 4.3.1 加强类电磁机制算法的推导模式 | 第62-63页 |
| 4.3.2 加强类电磁机制算法的函数测试 | 第63-65页 |
| 4.4 加强类电磁机制算法在混沌系统中控制和同步方面的运用 | 第65-66页 |
| 4.5 仿真实验 | 第66-68页 |
| 4.5.1 对混沌系统控制的测试 | 第66-67页 |
| 4.5.2 对混沌系统同步的测试 | 第67-68页 |
| 4.6 小结 | 第68-70页 |
| 第五章 类电磁机制算法在模拟电路故障诊断中的应用 | 第70-86页 |
| 5.1 引言 | 第70-71页 |
| 5.2 模拟电路测试与故障诊断的几种方法 | 第71-73页 |
| 5.2.1 故障的分类 | 第71-72页 |
| 5.2.2 故障诊断方法的分类 | 第72-73页 |
| 5.3 基于神经网络的模拟电路故障诊断方法 | 第73-80页 |
| 5.3.1 神经网络故障字典法 | 第73-75页 |
| 5.3.2 神经网络优化诊断法 | 第75-76页 |
| 5.3.3 小波分析与神经网络结合应用于模拟电路故障诊断 | 第76-80页 |
| 5.4 基于类电磁机制算法的小波神经网络的模拟电路故障诊断 | 第80-85页 |
| 5.4.1 故障特征信息的提取 | 第80-81页 |
| 5.4.2 混合算法 | 第81-82页 |
| 5.4.3 诊断实例 | 第82-85页 |
| 5.5 小结 | 第85-86页 |
| 第六章 类电磁机制算法在线性分类方法中的应用 | 第86-104页 |
| 6.1 引言 | 第86-87页 |
| 6.2 统计学习理论 | 第87-93页 |
| 6.2.1 学习问题的基本模型 | 第87-88页 |
| 6.2.2 学习机器的评价标准 | 第88-89页 |
| 6.2.3 学习机器的规模 | 第89-90页 |
| 6.2.4 经验风险和期望风险的关系 | 第90-91页 |
| 6.2.5 最小化的结构风险原则 | 第91-93页 |
| 6.3 最优化理论 | 第93-97页 |
| 6.3.1 最优化模型 | 第93页 |
| 6.3.2 Fermata定理 | 第93-94页 |
| 6.3.3 Lagrange法则 | 第94-95页 |
| 6.3.4 Kuhn-Tucker定理及Wolfe对偶 | 第95-96页 |
| 6.3.5 最优超平面 | 第96-97页 |
| 6.4 基于改进的类电磁机制算法的线性分类方法 | 第97-103页 |
| 6.4.1 组合优化线性分类算法思路 | 第97-98页 |
| 6.4.2 基于改进的EM的组合优化线性分类算法 | 第98-100页 |
| 6.4.3 仿真及结果分析 | 第100-103页 |
| 6.5 小结 | 第103-104页 |
| 第七章 总结与展望 | 第104-108页 |
| 7.1 研究工作总结 | 第104-105页 |
| 7.2 展望 | 第105-108页 |
| 附录 | 第108-136页 |
| 参考文献 | 第136-144页 |
| 致谢 | 第144-146页 |
| 作者简介 | 第146-147页 |
