基于分类器的测前仿真诊断法研究
| 致谢 | 第1-6页 |
| 中文摘要 | 第6-8页 |
| ABSTRACT | 第8-10页 |
| 目录 | 第10-13页 |
| 1 绪论 | 第13-27页 |
| ·引言 | 第13-14页 |
| ·模拟电路故障诊断技术的基本概念与分类 | 第14-17页 |
| ·基于分类器的模拟电路诊断测前仿真法 | 第17-21页 |
| ·分类器与模式识别 | 第17-20页 |
| ·基于分类器的测前仿真法 | 第20-21页 |
| ·基于分类器的测前仿真法研究现状 | 第21-24页 |
| ·国外研究现状 | 第22-23页 |
| ·国内研究现状 | 第23页 |
| ·一些存在的问题 | 第23-24页 |
| ·论文主要内容和结构 | 第24-27页 |
| 2 CB-SBT诊断法的比较研究 | 第27-40页 |
| ·引言 | 第27页 |
| ·神经网络分类器 | 第27-30页 |
| ·BP神经网络 | 第27-29页 |
| ·RBF神经网络 | 第29-30页 |
| ·支持向量机分类器 | 第30-32页 |
| ·三种分类器的故障诊断示例 | 第32-39页 |
| ·故障电路模型 | 第32-33页 |
| ·分类器的结构与参数 | 第33-36页 |
| ·三种分类器故障诊断性能比较分析 | 第36-39页 |
| ·本章小结 | 第39-40页 |
| 3 基于粒子群优化的电路故障特征提取 | 第40-51页 |
| ·引言 | 第40页 |
| ·线性特征提取 | 第40-41页 |
| ·基于粒子群优化的特征提取 | 第41-45页 |
| ·粒子群优化与k-NN分类器 | 第42-44页 |
| ·PSO/k-NN电路故障特征提取算法 | 第44-45页 |
| ·实验仿真示例 | 第45-50页 |
| ·线性电路故障特征提取 | 第45-48页 |
| ·非线性电路故障特征提取 | 第48-49页 |
| ·与遗传算法的比较 | 第49-50页 |
| ·本章小结 | 第50-51页 |
| 4 CB-SBT诊断法中模糊集确定算法的研究 | 第51-69页 |
| ·引言 | 第51页 |
| ·基于类间差异矩阵的模糊集确定算法 | 第51-54页 |
| ·基于类重叠度矩阵的模糊集确定算法 | 第54-57页 |
| ·验证示例 | 第57-64页 |
| ·线性电路的元件模糊组确定 | 第57-59页 |
| ·非线性电路的故障类模糊集确定 | 第59-61页 |
| ·改进随机算法的分析比较 | 第61-64页 |
| ·异常值检验方法的应用研究 | 第64-68页 |
| ·异常数据检验法 | 第65页 |
| ·类间差异值中异常值的检验 | 第65-67页 |
| ·类重叠度中异常值的检验 | 第67-68页 |
| ·本章小结 | 第68-69页 |
| 5 CB-SBT诊断法中故障重分类方法的研究 | 第69-84页 |
| ·引言 | 第69页 |
| ·故障类的重叠分析 | 第69-71页 |
| ·故障重分类 | 第71-73页 |
| ·提取故障类特征样本 | 第71-72页 |
| ·训练样本重新分类 | 第72-73页 |
| ·诊断仿真示例 | 第73-76页 |
| ·定义故障类 | 第73页 |
| ·训练样本重分类 | 第73-74页 |
| ·神经网络的建立与训练 | 第74-75页 |
| ·诊断结果 | 第75-76页 |
| ·算法的改进 | 第76-78页 |
| ·基于模糊集确定算法的故障重分类 | 第78-82页 |
| ·模糊集确定算法的应用 | 第78-80页 |
| ·模糊集确定算法的改造 | 第80-82页 |
| ·本章小结 | 第82-84页 |
| 6 基于单类分类器的测前仿真法 | 第84-97页 |
| ·引言 | 第84页 |
| ·单类分类器 | 第84-87页 |
| ·基于单类分类器的测前仿真法 | 第87-90页 |
| ·MCB-SBT架构 | 第87-88页 |
| ·OCB-SBT架构 | 第88-90页 |
| ·故障诊断实验与结果 | 第90-96页 |
| ·分类器的建立与训练 | 第90-91页 |
| ·分类器的测试与结果 | 第91-96页 |
| ·本章小结 | 第96-97页 |
| 7 结束语 | 第97-99页 |
| ·全文总结 | 第97-98页 |
| ·未来工作展望 | 第98-99页 |
| 参考文献 | 第99-105页 |
| 附录 | 第105页 |
