| 摘要 | 第4-5页 |
| ABSTRACT | 第5页 |
| 第1章 绪论 | 第8-20页 |
| 1.1 研究的背景和意义 | 第8-9页 |
| 1.2 模拟电路故障检测与诊断的基本概念 | 第9-10页 |
| 1.3 国内外研究现状分析 | 第10-18页 |
| 1.3.1 测试激励生成研究现状 | 第11-12页 |
| 1.3.2 故障特征提取研究现状 | 第12-14页 |
| 1.3.3 故障检测与故障诊断研究现状 | 第14-16页 |
| 1.3.4 现状分析 | 第16-18页 |
| 1.4 本文主要研究内容及论文结构 | 第18-20页 |
| 第2章 面向潜在故障的测试生成与故障特征提取 | 第20-40页 |
| 2.1 引言 | 第20页 |
| 2.2 紧密度的定义 | 第20-25页 |
| 2.3 基于紧密度度量的测试激励生成算法 | 第25-37页 |
| 2.3.1 测试激励生成流程 | 第25-27页 |
| 2.3.2 实验验证 | 第27-37页 |
| 2.3.2.1 测试激励的选择 | 第27-33页 |
| 2.3.2.2 测试激励的检测效果验证 | 第33-37页 |
| 2.4 基于小波分析的特征提取方法 | 第37-39页 |
| 2.5 本章小结 | 第39-40页 |
| 第3章 基于支持向量的潜在故障智能检测方法 | 第40-65页 |
| 3.1 引言 | 第40页 |
| 3.2 基于支持向量的潜在故障检测方法原理介绍 | 第40-46页 |
| 3.2.1 支持向量机原理介绍 | 第40-43页 |
| 3.2.2 支持向量数据描述原理介绍 | 第43-46页 |
| 3.3 基于支持向量的故障检测方法检测流程 | 第46-49页 |
| 3.3.1 基于支持向量机的故障检测流程 | 第46-48页 |
| 3.3.2 基于支持向量数据描述的故障检测流程 | 第48-49页 |
| 3.4 仿真实验及验证 | 第49-60页 |
| 3.4.1 基于SVM的故障检测方法仿真验证 | 第49-56页 |
| 3.4.2 基于SVDD的故障检测方法仿真验证 | 第56-58页 |
| 3.4.3 实验结果及分析 | 第58-60页 |
| 3.5 硬件实验及验证 | 第60-64页 |
| 3.5.1 电路和实验设计 | 第60-63页 |
| 3.5.2 实验结果及分析 | 第63-64页 |
| 3.6 本章小结 | 第64-65页 |
| 第4章 基于机器学习的潜在故障智能诊断方法 | 第65-88页 |
| 4.1 引言 | 第65页 |
| 4.2 基于多分类支持向量机的故障诊断方法 | 第65-71页 |
| 4.2.1 多分类向量机故障诊断方法原理及诊断流程 | 第65-68页 |
| 4.2.2 参数寻优方法 | 第68-71页 |
| 4.3 基于自动编码器的故障诊断方法 | 第71-74页 |
| 4.4 仿真实验及验证 | 第74-85页 |
| 4.4.1 基于多分类支持向量机的故障诊断方法仿真验证 | 第74-79页 |
| 4.4.2 基于自动编码器的故障诊断方法仿真验证 | 第79-82页 |
| 4.4.3 实验结果及分析 | 第82-85页 |
| 4.5 硬件实验及验证 | 第85-87页 |
| 4.5.1 电路和实验设计 | 第85页 |
| 4.5.2 实验结果及分析 | 第85-87页 |
| 4.6 本章小结 | 第87-88页 |
| 结论 | 第88-90页 |
| 参考文献 | 第90-96页 |
| 攻读硕士学位期间发表的论文及其它成果 | 第96-98页 |
| 致谢 | 第98页 |