致谢 | 第9-10页 |
摘要 | 第10-12页 |
ABSTRACT | 第12-13页 |
第一章 绪论 | 第24-34页 |
1.1 研究背景及意义 | 第24-25页 |
1.2 国内外研究现状 | 第25-31页 |
1.2.1 传统模拟电路故障诊断方法 | 第25-26页 |
1.2.2 现代模拟电路故障诊断方法 | 第26-29页 |
1.2.3 模拟电路故障特征提取方法 | 第29-31页 |
1.3 本文的研究内容及安排 | 第31-34页 |
1.3.1 本文的主要内容 | 第31-32页 |
1.3.2 本文的结构安排 | 第32-34页 |
第二章 子空间学习算法相关理论 | 第34-84页 |
2.1 子空间学习算法综述 | 第34-35页 |
2.2 线性子空间学习算法 | 第35-40页 |
2.2.1 主成分分析(Principal Component Analysis, PCA) | 第35-38页 |
2.2.2 线性判别法(Linear Discriminant Analysis, LDA) | 第38-39页 |
2.2.3 随机投影(Random Projection,RP) | 第39-40页 |
2.3 基于核方法的子空间学习算法 | 第40-45页 |
2.3.1 核方法 | 第40-43页 |
2.3.2 核主成分分析(Kernel Principal Component Analysis,KPCA) | 第43-44页 |
2.3.3 核熵成分分析(Kernel Entropy Component Analysis,KECA) | 第44-45页 |
2.4 流形学习概述 | 第45-52页 |
2.4.1 关于流形的一些定义 | 第46页 |
2.4.2 流形学习的一般模式 | 第46页 |
2.4.3 流形学习方法的分类 | 第46-47页 |
2.4.4 试验数据集介绍 | 第47-52页 |
2.5 基于距离保持的流形学习算法 | 第52-59页 |
2.5.1 多维尺度分析(Multidimensional Scaling,MDS) | 第52-53页 |
2.5.2 等距映射算法(Isometric Mapping,ISOMAP) | 第53-55页 |
2.5.3 极大方差展开(Maximum Variance Unfolding,MVU) | 第55-58页 |
2.5.4 随机近邻嵌入(Stochastic Neighbor Embedding,SNE) | 第58-59页 |
2.6 基于拓扑保持的流形学习算法 | 第59-73页 |
2.6.1 局部线性嵌入算法(Locally Linear Embedding,LLE) | 第59-62页 |
2.6.2 邻域保持嵌入算法(Neighborhood Preserving Embedding,NPE) | 第62-63页 |
2.6.3 拉普拉斯特征映射(Laplacian Eigenmaps,LE) | 第63-66页 |
2.6.4 局部保持投影(Locality Preserving Proj ection,LPP) | 第66-68页 |
2.6.5 局部切空间排列(Local Tangent Space Alignment,LTSA) | 第68-70页 |
2.6.6 Hessian特征映射(Hessian-LLE,HLLE) | 第70-71页 |
2.6.7 局部样条嵌入(Local Spline Embedding, LSE) | 第71-73页 |
2.7 流形学习算法图嵌入框架 | 第73-77页 |
2.7.1 框架介绍 | 第73-75页 |
2.7.2 流形算法的图嵌入 | 第75-77页 |
2.8 仿真实例 | 第77-83页 |
2.8.1 Swiss Roll数据集 | 第77-79页 |
2.8.2 Swiss Hole数据集 | 第79-80页 |
2.8.3 Corner Planes数据集 | 第80-81页 |
2.8.4 Punctured Sphere数据集 | 第81页 |
2.8.5 3D Clusters数据集 | 第81-82页 |
2.8.6 Toroidal Helix数据集 | 第82-83页 |
2.9 本章小结 | 第83-84页 |
第三章 基于核方法的子空间学习算法的模拟电路特征提取与故障诊断 | 第84-111页 |
3.1 核概率密度估计 | 第84-93页 |
3.1.1 —维随机变量核概率密度估计 | 第84-90页 |
3.1.2 多维随机变量核概率密度估计 | 第90-92页 |
3.1.3 高阶核概率密度估计 | 第92-93页 |
3.2 基于全带宽矩阵的核概率密度估计Renyi熵 | 第93-99页 |
3.2.1 Renyi熵的一个新估计 | 第93-94页 |
3.2.2 估计的无偏性 | 第94-95页 |
3.2.3 全带宽矩阵的选取 | 第95-96页 |
3.2.4 仿真试验 | 第96-99页 |
3.3 基于高阶核的核概率密度估计在KECA中的应用 | 第99-102页 |
3.3.1 Renyi熵的偏差校正 | 第99-101页 |
3.3.2 核特征空间中统计量的分析 | 第101-102页 |
3.4 改进的KECA在模拟电路故障诊断中的应用 | 第102-105页 |
3.4.1 故障特征提取 | 第103页 |
3.4.2 故障模式识别 | 第103-104页 |
3.4.3 故障诊断流程 | 第104-105页 |
3.5 诊断实例 | 第105-109页 |
3.5.1 诊断电路和故障设置 | 第105-106页 |
3.5.2 诊断结果 | 第106-109页 |
3.6 本章小结 | 第109-111页 |
第四章 基于流形算法的子空间学习算法的模拟电路故障诊断 | 第111-153页 |
4.1 理论背景 | 第111-119页 |
4.1.1 图的数学描述 | 第111-114页 |
4.1.2 图上的随机游走(Random Walk) | 第114-116页 |
4.1.3 图上的扩散过程 | 第116-119页 |
4.2 扩散映射 | 第119-121页 |
4.2.1 扩散映射(Diffusion Maps) | 第119-120页 |
4.2.2 扩散距离 | 第120-121页 |
4.3 基于扩散距离的若干流形算法 | 第121-132页 |
4.3.1 ISOMAP—DD算法 | 第121-128页 |
4.3.2 基于扩散距离的其它流形算法 | 第128-132页 |
4.4 基于两阶段的流形算法在模拟电路故障诊断中的应用 | 第132-135页 |
4.4.1 故障特征提取 | 第133-134页 |
4.4.2 故障诊断流程 | 第134-135页 |
4.5 诊断实例 | 第135-139页 |
4.5.1 诊断电路 | 第135-137页 |
4.5.2 故障设置 | 第137-139页 |
4.6 诊断结果 | 第139-148页 |
4.6.1 单个流形学习算法提取故障特征 | 第139-141页 |
4.6.2 其它子空间算法提取故障特征 | 第141-143页 |
4.6.3 两阶段流形算法提取故障特征 | 第143-146页 |
4.6.4 算法的分类性能比较 | 第146-148页 |
4.7 算法有效性分析 | 第148-151页 |
4.7.1 原始故障数据 | 第148-149页 |
4.7.2 中级特征故障数据 | 第149-151页 |
4.8 本章小结 | 第151-153页 |
第五章 基于信息理论学习准则的子空间学习算法的模拟电路故障诊断 | 第153-196页 |
5.1 半二次正则化方法 | 第153-156页 |
5.2 代价函数中的准则函数 | 第156-170页 |
5.2.1 最小均方误差准则(Minimum Mean Square Error,MMSE) | 第156-160页 |
5.2.2 最大相关熵准则(Maximum Correntropy Criterion,MCC) | 第160-168页 |
5.2.3 最小误差熵准则(Minimum Error Entropy,MEE) | 第168-170页 |
5.3 不同准则关系 | 第170-181页 |
5.3.1 MMSE与MCC | 第172-176页 |
5.3.2 MEE与MCC | 第176-180页 |
5.3.3 仿真试验 | 第180-181页 |
5.4 基于MCC和扩散距离的LLE算法 | 第181-183页 |
5.4.1 基于MCC的局部线性嵌入(LEE-MCC, LEE based on MCC) | 第181-183页 |
5.4.2 基于MCC和DD的LLE算法(LEE-DD-MCC, LEE based onDiffusion Distance and MCC) | 第183页 |
5.5 基于MCC和扩散距离的LLE算法的仿真实例 | 第183-190页 |
5.5.1 试验数据集及噪声 | 第183-184页 |
5.5.2 试验结果 | 第184-190页 |
5.6 基于MCC的LLE算法在模拟电路故障诊断中的应用 | 第190-192页 |
5.6.1 故障特征提取 | 第190-191页 |
5.6.2 故障诊断流程 | 第191-192页 |
5.7 基于LLE-MCC的模拟电路故障诊断实例 | 第192-195页 |
5.7.1 诊断电路 | 第192页 |
5.7.2 诊断结果 | 第192-195页 |
5.8 本章小结 | 第195-196页 |
第六章 总结与展望 | 第196-198页 |
6.1 本文总结 | 第196-197页 |
6.2 研究展望 | 第197-198页 |
参考文献 | 第198-209页 |
攻读博士学位期间的学术活动及成果情况 | 第209页 |