基于小波分析和神经网络的模拟电路故障诊断
| 摘要 | 第1-6页 |
| Abstract | 第6-11页 |
| 第1章 绪论 | 第11-18页 |
| ·课题研究背景及其意义 | 第11页 |
| ·诊断技术的发展历程及现状 | 第11-14页 |
| ·模拟电路诊断方法的分类 | 第14-15页 |
| ·模拟电路诊断存在的问题 | 第15-16页 |
| ·论文结构安排 | 第16-18页 |
| 第2章 模拟电路诊断的神经网络方法 | 第18-28页 |
| ·引言 | 第18页 |
| ·神经网络概述 | 第18-21页 |
| ·神经网络的特点 | 第18-19页 |
| ·神经网络的学习 | 第19-20页 |
| ·神经网络的发展及分类 | 第20-21页 |
| ·BP 神经网络 | 第21-23页 |
| ·网络结构 | 第21-22页 |
| ·学习算法 | 第22页 |
| ·结构设计 | 第22-23页 |
| ·RBF 神经网络 | 第23-25页 |
| ·网络结构 | 第23-24页 |
| ·学习算法 | 第24-25页 |
| ·RBF 网络和 BP 网络的比较 | 第25页 |
| ·应用神经网络的模拟电路诊断 | 第25-27页 |
| ·诊断模型 | 第25-26页 |
| ·诊断步骤 | 第26-27页 |
| ·小结 | 第27-28页 |
| 第3章 模拟电路的故障特征提取方法 | 第28-40页 |
| ·引言 | 第28页 |
| ·特征提取方法概述 | 第28-30页 |
| ·小波分析方法 | 第30-34页 |
| ·小波变换法 | 第30-33页 |
| ·小波包分解法 | 第33-34页 |
| ·小波变换与小波包分解的比较 | 第34页 |
| ·应用小波的特征提取方法 | 第34-38页 |
| ·基于多分辨率分析的特征提取 | 第34-35页 |
| ·基于小波包的特征提取 | 第35-36页 |
| ·实例分析 | 第36-38页 |
| ·小结 | 第38-40页 |
| 第4章 应用 PSO-RBF 网络的模拟电路诊断 | 第40-53页 |
| ·引言 | 第40页 |
| ·群智能优化算法 | 第40-42页 |
| ·粒子群优化算法 | 第42-46页 |
| ·算法原理 | 第42-44页 |
| ·算法流程 | 第44页 |
| ·算法参数分析 | 第44-46页 |
| ·与其他算法的比较 | 第46页 |
| ·粒子群优化神经网络算法 | 第46-49页 |
| ·确定基函数中心个数 | 第47页 |
| ·PSO 算法的编码 | 第47-48页 |
| ·PSO 算法优化 RBF 网络 | 第48-49页 |
| ·基于 PSO-RBF 网络的模拟电路诊断 | 第49-52页 |
| ·故障特征提取 | 第49页 |
| ·电路诊断策略 | 第49页 |
| ·实例分析 | 第49-52页 |
| ·小结 | 第52-53页 |
| 第5章 基于多小波和 ELM 的模拟电路诊断 | 第53-62页 |
| ·引言 | 第53页 |
| ·多小波理论 | 第53-56页 |
| ·多小波的多分辨率分析 | 第53-54页 |
| ·多小波的性质 | 第54页 |
| ·多小波提取故障特征 | 第54-56页 |
| ·极限学习机 | 第56-59页 |
| ·学习算法 | 第56-57页 |
| ·分类原理 | 第57-59页 |
| ·应用多小波-ELM 的模拟电路诊断 | 第59-61页 |
| ·诊断原理 | 第59-60页 |
| ·实例分析 | 第60-61页 |
| ·小结 | 第61-62页 |
| 结论 | 第62-64页 |
| 参考文献 | 第64-69页 |
| 附录 A 攻读学位期间发表的学术论文目录 | 第69-70页 |
| 附录 B 攻读学位期间参加的科研工作及学术活动 | 第70-71页 |
| 致谢 | 第71页 |
