| 摘要 | 第1-5页 |
| Abstract | 第5-8页 |
| 1 绪论 | 第8-15页 |
| ·课题研究意义 | 第8-9页 |
| ·电子产品故障诊断主要理论及研究现状 | 第9-14页 |
| ·电子故障诊断方法概述及发展 | 第9-10页 |
| ·数据处理特征提取理论及研究现状 | 第10-11页 |
| ·人工智能与小波分析理论发展及研究现状 | 第11-12页 |
| ·信息融合理论及研究现状 | 第12-14页 |
| ·论文内容及结构 | 第14-15页 |
| 2 电子产品故障诊断数据采集 | 第15-19页 |
| ·电子产品故障诊断传感器类别与测试节点的选择 | 第15-16页 |
| ·基于带通滤波器的数据采集测试对象及节点选择分析 | 第16-18页 |
| ·本章小结 | 第18-19页 |
| 3 基于线性判别分析和小波能谱熵的特征提取 | 第19-35页 |
| ·线性判别分析理论及特征提取计算流程 | 第20-27页 |
| ·LDA特征提取前数据预处理 | 第20-21页 |
| ·两类LDA特征提取方法及多类推广 | 第21-25页 |
| ·基于带通滤波器的线性判别分析特征值提取计算流程 | 第25-27页 |
| ·基于小波能谱熵理论分析及特征提取计算流程 | 第27-34页 |
| ·小波能谱熵特征提取理论分析 | 第28-31页 |
| ·基于带通滤波器的小波能谱熵特征提取流程 | 第31-34页 |
| ·本章小结 | 第34-35页 |
| 4 基于SVM和D-S证据理论的信息融合 | 第35-60页 |
| ·常见的融合算法 | 第35-36页 |
| ·基于SVM的分类后验概率计算模型 | 第36-47页 |
| ·支持向量机基本理论分析 | 第37-41页 |
| ·两种SVM多类分类方法分析 | 第41-43页 |
| ·基于后验概率的SVM计算流程 | 第43-47页 |
| ·基于SVM决策值的分类概率计算模型 | 第47-48页 |
| ·D-S证据理论分析及与基于SVM分类概率计算模型的融合流程 | 第48-55页 |
| ·融合实例分析 | 第55-59页 |
| ·本章小结 | 第59-60页 |
| 5 结论与展望 | 第60-62页 |
| 参考文献 | 第62-68页 |
| 攻读硕士学位期间发表的论文及所取得的研究成果 | 第68-69页 |
| 致谢 | 第69页 |