| 致谢 | 第9-10页 |
| 摘要 | 第10-12页 |
| abstract | 第12-13页 |
| 第一章 绪论 | 第20-31页 |
| 1.1 研究工作的背景与意义 | 第20-21页 |
| 1.2 模拟电路特性与故障分类 | 第21-23页 |
| 1.2.1 模拟电路自身特性 | 第21-22页 |
| 1.2.2 模拟电路故障分类 | 第22-23页 |
| 1.3 模拟电路故障诊断技术的研究现状 | 第23-25页 |
| 1.4 有待攻克的问题 | 第25-27页 |
| 1.5 本文的主要研究内容及结构安排 | 第27-31页 |
| 1.5.1 论文研究思路与主要内容 | 第27-28页 |
| 1.5.2 论文结构安排 | 第28-31页 |
| 第二章 信号预处理分析 | 第31-45页 |
| 2.1 引言 | 第31页 |
| 2.2 传统信号分析 | 第31-33页 |
| 2.2.1 时域分析法 | 第31页 |
| 2.2.2 频域分析法 | 第31-33页 |
| 2.3 时频分析方法 | 第33-34页 |
| 2.3.1 短时傅里叶变换 | 第33页 |
| 2.3.2 Wigner-Ville分布 | 第33-34页 |
| 2.4 小波分析 | 第34-37页 |
| 2.4.1 连续小波分析方法 | 第34-35页 |
| 2.4.2 离散小波分析方法 | 第35-36页 |
| 2.4.3 交叉小波分析方法 | 第36-37页 |
| 2.5 模拟电路信号时频分析 | 第37-40页 |
| 2.5.1 电路信号频域分析与小波分析 | 第37-38页 |
| 2.5.2 模拟电路信号交叉小波分析 | 第38-40页 |
| 2.6 模拟电路故障诊断与时频特征 | 第40-43页 |
| 2.7 本章总结 | 第43-45页 |
| 第三章 基于时频矩阵分解的特征提取方法研究 | 第45-60页 |
| 3.1 引言 | 第45页 |
| 3.2 基于奇异熵方法的故障特征提取方法 | 第45-52页 |
| 3.2.1 奇异值分解原理 | 第45-46页 |
| 3.2.2 信息熵理论 | 第46-47页 |
| 3.2.3 奇异熵提取过程 | 第47-48页 |
| 3.2.4 仿真分析 | 第48-52页 |
| 3.3 基于变分贝叶斯矩阵分解的特征提取方法 | 第52-58页 |
| 3.3.1 变分贝叶斯的矩阵分解算法 | 第52-53页 |
| 3.3.2 基于VBMF的统计特征分析 | 第53-54页 |
| 3.3.3 仿真分析 | 第54-58页 |
| 3.4 本章总结 | 第58-60页 |
| 第四章 基于时频图像的特征提取方法研究 | 第60-72页 |
| 4.1 引言 | 第60页 |
| 4.2 基于Krawtchouk矩的时频图像特征提取 | 第60-66页 |
| 4.2.1 图像矩的定义及其变换 | 第60-61页 |
| 4.2.2 几何矩定义及其性质 | 第61页 |
| 4.2.3 权重Krawtchouk矩 | 第61-62页 |
| 4.2.4 仿真分析 | 第62-66页 |
| 4.3 基于均值二值模式的时频图像特征提取 | 第66-71页 |
| 4.3.1 局部二值模式概述 | 第66-68页 |
| 4.3.2 局部方向模式 | 第68页 |
| 4.3.3 局部最优方向模式 | 第68-70页 |
| 4.3.4 仿真分析 | 第70-71页 |
| 4.4 本章总结 | 第71-72页 |
| 第五章 基于统计学习分类算法的故障诊断方法研究 | 第72-90页 |
| 5.1 引言 | 第72-73页 |
| 5.2 基于LDA方法的故障诊断 | 第73-77页 |
| 5.2.1 特征权重核线性判别分析 | 第73-76页 |
| 5.2.2 仿真分析 | 第76-77页 |
| 5.3 基于SVM方法的故障诊断 | 第77-83页 |
| 5.3.1 SVM的基本原理 | 第77-79页 |
| 5.3.2 花授粉算法 | 第79-80页 |
| 5.3.3 基于花授粉算法的参数优化过程 | 第80-82页 |
| 5.3.4 仿真分析 | 第82-83页 |
| 5.4 基于VVRKFA方法的故障诊断 | 第83-89页 |
| 5.4.1 VVRKFA的基本原理 | 第83-84页 |
| 5.4.2 量子粒子群算法 | 第84-85页 |
| 5.4.3 基于量子粒子群算法的参数优化过程 | 第85-87页 |
| 5.4.4 仿真分析 | 第87-89页 |
| 5.5 本章总结 | 第89-90页 |
| 第六章 基于深度学习的模拟电路故障诊断方法研究 | 第90-118页 |
| 6.1 引言 | 第90-92页 |
| 6.2 卷积神经网络 | 第92-99页 |
| 6.2.1 卷积层 | 第92-93页 |
| 6.2.2 池化层 | 第93页 |
| 6.2.3 全连接层 | 第93-94页 |
| 6.2.4 激活函数 | 第94-97页 |
| 6.2.5 代价函数 | 第97-98页 |
| 6.2.6 优化算法 | 第98-99页 |
| 6.3 深度卷积生成对抗网络 | 第99-102页 |
| 6.3.1 判别式与生成式模型 | 第99-100页 |
| 6.3.2 生成对抗网络 | 第100-102页 |
| 6.4 基于生成对抗网络的多分类器 | 第102-109页 |
| 6.4.1 sigmod与softmax函数 | 第102-106页 |
| 6.4.2 双分类器的生成对抗网路 | 第106-107页 |
| 6.4.3 双分类器的深度卷积生成对抗网络 | 第107-109页 |
| 6.5 交叉小波张量特征结合GANs的故障诊断 | 第109-116页 |
| 6.5.1 基于交叉小波张量特征预处理 | 第109-110页 |
| 6.5.2 故障诊断流程 | 第110-111页 |
| 6.5.3 仿真分析 | 第111-116页 |
| 6.6 本章总结 | 第116-118页 |
| 第七章 论文总结与展望 | 第118-121页 |
| 7.1 工作总结 | 第118-120页 |
| 7.2 研究展望 | 第120-121页 |
| 参考文献 | 第121-129页 |
| 攻读博士学位期间的学术活动及成果情况 | 第129-130页 |