| 摘要 | 第5-6页 |
| Abstract | 第6-7页 |
| 第一章 绪论 | 第10-18页 |
| 1.1 选题背景与研究意义 | 第10-11页 |
| 1.2 模拟电路故障诊断技术的发展 | 第11-15页 |
| 1.2.1 模拟电路故障诊断技术的发展历程 | 第11-12页 |
| 1.2.2 模拟电路故障诊断技术的发展现状 | 第12-15页 |
| 1.3 模拟电路故障诊断神经网络方法发展研究现状 | 第15页 |
| 1.4 论文研究内容及意义 | 第15-18页 |
| 第二章 模拟电路故障诊断方法设计 | 第18-26页 |
| 2.1 模拟电路故障诊断相关知识概述 | 第18-19页 |
| 2.1.1 模拟电路故障状态 | 第18页 |
| 2.1.2 模拟电路故障分类 | 第18-19页 |
| 2.1.3 元件软故障定义 | 第19页 |
| 2.2 基于神经网络的模拟电路故障诊断方法总体设计 | 第19-25页 |
| 2.2.1 数据采集和预处理 | 第20-21页 |
| 2.2.2 故障特征的提取 | 第21-22页 |
| 2.2.3 样本集的构造 | 第22-23页 |
| 2.2.4 神经网络学习与仿真测试 | 第23-24页 |
| 2.2.5 模拟电路健康状态评估 | 第24-25页 |
| 2.3 本章小结 | 第25-26页 |
| 第三章 模拟电路故障特征提取方法 | 第26-40页 |
| 3.1 模拟电路故障提取方法 | 第26-27页 |
| 3.1.1 故障原始信息的获取 | 第26页 |
| 3.1.2 故障特征提取方法 | 第26-27页 |
| 3.2 基于多特征信息融合的故障特征提取方法 | 第27-32页 |
| 3.2.1 基于统计信号的特征提取方法 | 第27-28页 |
| 3.2.2 基于小波理论的特征提取方法 | 第28-30页 |
| 3.2.3 基于主成分分析的特征提取方法 | 第30-32页 |
| 3.2.4 多特征信息融合的故障特征提取方法 | 第32页 |
| 3.3 仿真实例 | 第32-39页 |
| 3.3.1 仿真电路设置 | 第33-35页 |
| 3.3.2 基于统计信息的特征提取 | 第35-36页 |
| 3.3.3 基于小波理论的特征提取 | 第36-38页 |
| 3.3.4 多特征信息融合的特征提取 | 第38-39页 |
| 3.4 本章小结 | 第39-40页 |
| 第四章 基于神经网络的模拟电路故障诊断 | 第40-52页 |
| 4.1 神经网络概述 | 第40-41页 |
| 4.2 BP神经网络 | 第41-43页 |
| 4.2.1 BP神经网络概述 | 第41页 |
| 4.2.2 BP神经网络的算法 | 第41-42页 |
| 4.2.3 BP算法的缺陷及改进 | 第42-43页 |
| 4.3 小波神经网络 | 第43-47页 |
| 4.3.1 小波神经网络概述 | 第43-44页 |
| 4.3.2 紧致型小波神经网络的结构 | 第44页 |
| 4.3.3 紧致型小波神经网络算法 | 第44-47页 |
| 4.4 仿真实例 | 第47-50页 |
| 4.4.1 神经网络结构设计和诊断结果分析 | 第47-50页 |
| 4.4.2 不同特征提取方法故障诊断结果 | 第50页 |
| 4.5 本章小结 | 第50-52页 |
| 第五章 模拟电路健康状态评估方法研究 | 第52-62页 |
| 5.1 模拟电路健康状态评估 | 第52-53页 |
| 5.2 基于样本相似度的模拟电路健康状态评估方法 | 第53-57页 |
| 5.2.1 常用评估方法 | 第53-55页 |
| 5.2.2 故障率的估算 | 第55页 |
| 5.2.3 模拟电路健康状态评估原理 | 第55-57页 |
| 5.3 仿真实验 | 第57-61页 |
| 5.3.1 应用欧氏距离的健康状态评估方法 | 第58页 |
| 5.3.2 应用加权马氏距离的健康状态评估方法 | 第58-59页 |
| 5.3.3 故障率的转换 | 第59-60页 |
| 5.3.4 实验结论 | 第60-61页 |
| 5.4 本章小结 | 第61-62页 |
| 第六章 总结与展望 | 第62-64页 |
| 6.1 总结 | 第62-63页 |
| 6.2 展望 | 第63-64页 |
| 致谢 | 第64-66页 |
| 参考文献 | 第66-70页 |
| 攻读硕士学位期间发表的论文 | 第70页 |