首页--工业技术论文--无线电电子学、电信技术论文--基本电子电路论文--电子电路论文

子空间学习算法在模拟电路故障诊断中的应用

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

论文共209页,点击 下载论文
上一篇:刺激响应性的核交联聚磷酸酯基药物载体的制备与表征
下一篇:流化床内燃料/床料多颗粒组分的流动反应耦合过程数值模拟研究