| 摘要 | 第7-8页 |
| Abstract | 第8-9页 |
| 第1章 绪论 | 第12-21页 |
| 1.1 研究背景及意义 | 第12-13页 |
| 1.2 模拟电路故障诊断方法概述 | 第13-19页 |
| 1.2.1 经典模拟电路故障诊断方法 | 第13-18页 |
| 1.2.2 模拟电路故障诊断其他方法 | 第18-19页 |
| 1.3 本文研究的主要内容 | 第19-21页 |
| 第2章 模拟电路故障特征提取方法研究 | 第21-35页 |
| 2.1 模拟电路故障特征提取方法 | 第21-26页 |
| 2.2 基于WPT的频带能量故障特征提取原理 | 第26-31页 |
| 2.2.1 小波包分析 | 第26-29页 |
| 2.2.2 小波包变换 | 第29-31页 |
| 2.3 实验结果 | 第31-34页 |
| 2.3.1 基于小波包故障特征提取方法数据采集 | 第31-32页 |
| 2.3.2 基于小波包方法的故障特征提取 | 第32-34页 |
| 2.3.3 基于小波包方法故障特征信号的归一化 | 第34页 |
| 2.4 本章小节 | 第34-35页 |
| 第3章 基于GSA-BP神经网络故障诊断研究 | 第35-46页 |
| 3.1 引言 | 第35-36页 |
| 3.2 BP神经网络 | 第36-40页 |
| 3.2.1 BP神经网络模型的选取 | 第36-37页 |
| 3.2.2 BP网络拓扑结构 | 第37页 |
| 3.2.3 BP网络的层数选择 | 第37页 |
| 3.2.4 网络隐含层的神经元数 | 第37-38页 |
| 3.2.5 初始权值的选取 | 第38页 |
| 3.2.6 期望误差的选取 | 第38页 |
| 3.2.7 BP神经网络的学习步骤 | 第38-39页 |
| 3.2.8 BP神经网络的优势及局限 | 第39-40页 |
| 3.3 GSA算法 | 第40-43页 |
| 3.3.1 GSA优化算法描述 | 第40-42页 |
| 3.3.2 GSA算法流程 | 第42-43页 |
| 3.4 GSA-BP算法及流程 | 第43-45页 |
| 3.4.1 GSA优化BP神经网络原理 | 第43-44页 |
| 3.4.2 GSA-BPNN算法流程 | 第44-45页 |
| 3.5 本章小结 | 第45-46页 |
| 第4章 粒子群算法改进及基于IPSO-BP模拟电路故障诊断 | 第46-53页 |
| 4.1 粒子群优化算法 | 第46-48页 |
| 4.1.1 粒子群优化算法 | 第46页 |
| 4.1.2 算法原理 | 第46-47页 |
| 4.1.3 粒子群优化算法流程 | 第47-48页 |
| 4.2 基于PSO-BP的模拟电路故障诊断 | 第48-50页 |
| 4.2.1 模型参数选择 | 第48页 |
| 4.2.2 PSO优化BP神经网络 | 第48-50页 |
| 4.3 对于PSO优化算法的改进 | 第50-52页 |
| 4.3.1 PSO算法的改进 | 第50-51页 |
| 4.3.2 IPSO优化BP神经网络流程 | 第51-52页 |
| 4.4 本章小结 | 第52-53页 |
| 第5章 实验研究 | 第53-59页 |
| 5.1 基于WPT-PSO-BP神经网络故障诊断实验与仿真结果分析 | 第53-55页 |
| 5.2 基于WPT-GSA-BP神经网络模拟电路故障诊断实验与仿真结果分析 | 第55-57页 |
| 5.3 基于WPT-IPSO-BP神经网络模拟电路故障诊断实验与仿真结果分析 | 第57-58页 |
| 5.4 本章小结 | 第58-59页 |
| 结论 | 第59-60页 |
| 参考文献 | 第60-67页 |
| 攻读硕士学位期间发表的论文和取得的科研成果 | 第67-68页 |
| 致谢 | 第68-69页 |
