| 致谢 | 第7-8页 |
| 摘要 | 第8-9页 |
| ABSTRACT | 第9页 |
| 第一章 绪论 | 第15-20页 |
| 1.1 课题研究背景及意义 | 第15-16页 |
| 1.2 电子电路故障诊断技术的发展和分类 | 第16-18页 |
| 1.2.1 电子电路故障诊断方法的研究进展 | 第16-17页 |
| 1.2.2 电子电路故障诊断方法的分类 | 第17-18页 |
| 1.3 本文主要研究内容和安排 | 第18-19页 |
| 1.3.1 本文的主要研究内容 | 第18-19页 |
| 1.3.2 本文的主要章节安排 | 第19页 |
| 1.4 本章小结 | 第19-20页 |
| 第二章 电子电路故障诊断的基本原理 | 第20-33页 |
| 2.1 电子电路故障诊断理论概述 | 第20-22页 |
| 2.1.1 电子电路故障特征 | 第20-21页 |
| 2.1.2 电子电路故障智能诊断方法 | 第21-22页 |
| 2.2 电子电路故障特征提取方法 | 第22-26页 |
| 2.2.1 基于信号处理的特征提取 | 第22-24页 |
| 2.2.2 基于统计分析的特征提取 | 第24-25页 |
| 2.2.3 基于信息理论的特征提取 | 第25-26页 |
| 2.3 电子电路故障诊断分类器 | 第26-32页 |
| 2.3.1 基于人工神经网络的故障分类器模型 | 第27-29页 |
| 2.3.2 基于支持向量机的故障分类器模型 | 第29-32页 |
| 2.4 本章小结 | 第32-33页 |
| 第三章 基于深度特征学习的电子电路故障特征提取技术 | 第33-57页 |
| 3.1 深度学习技术概述 | 第33-37页 |
| 3.1.1 深度学习技术概念及发展史 | 第33-35页 |
| 3.1.2 深度学习技术分类概述 | 第35-37页 |
| 3.2 基于SAE-SOFTMAX的特征优化提取方法 | 第37-42页 |
| 3.2.1 堆叠自动编码器(SAE) | 第37-40页 |
| 3.2.2 SOFTMAX分类器 | 第40-41页 |
| 3.2.3 基于SAE-SOFTMAX的深度特征提取方法步骤 | 第41-42页 |
| 3.3 基于SAE-SOFTMAX的电子电路故障深度特征提取方法 | 第42-45页 |
| 3.3.1 电子电路故障的深度特征 | 第42-43页 |
| 3.3.2 基于SAE-SOFTMAX的电子电路故障深度特征提取的步骤及算法 | 第43-45页 |
| 3.4 电子电路深度故障特征的特征评价 | 第45-46页 |
| 3.5 实验研究 | 第46-56页 |
| 3.5.1 实验电路设置 | 第46-48页 |
| 3.5.2 实验流程 | 第48-50页 |
| 3.5.3 仿真结果分析 | 第50-56页 |
| 3.6 本章小结 | 第56-57页 |
| 第四章 基于深度特征学习的电子电路故障诊断模型 | 第57-64页 |
| 4.1 基于SAE-SOFTMAX的电子电路故障诊断模型 | 第57-60页 |
| 4.1.1 融合特征提取与故障分类的SAE-SOFTMAX模块 | 第57-58页 |
| 4.1.2 实例分析 | 第58-60页 |
| 4.2 基于SAE-SVM的电子电路故障诊断模型 | 第60-63页 |
| 4.2.1 基于SAE的故障特征提取模块 | 第61页 |
| 4.2.2 基于二叉树SVM分类诊断模块 | 第61-62页 |
| 4.2.3 实例分析 | 第62-63页 |
| 4.3 本章小结 | 第63-64页 |
| 第五章 总结与展望 | 第64-66页 |
| 5.1 总结 | 第64页 |
| 5.2 展望 | 第64-66页 |
| 参考文献 | 第66-70页 |
| 攻读硕士学位期间的学术活动及成果情况 | 第70-71页 |
