摘要 | 第3-5页 |
Abstract | 第5-6页 |
第一章 绪论 | 第9-14页 |
1.1 本课题研究的背景与意义 | 第9-10页 |
1.1.1 对模拟电路故障诊断问题研究的背景与意义 | 第9页 |
1.1.2 基于神经网络进行模拟电路故障诊断问题研究的背景与意义 | 第9-10页 |
1.2 模拟电路故障诊断技术的发展与现状 | 第10页 |
1.3 本文的思路及主要研究内容 | 第10-14页 |
1.3.1 本文的思路 | 第10-11页 |
1.3.2 本文的主要内容及研究问题 | 第11-12页 |
1.3.3 本文的主要创新点 | 第12-14页 |
第二章 人工神经网络及模拟电路故障诊断的理论与技术 | 第14-26页 |
2.1 模拟电路故障诊断理论 | 第14-18页 |
2.1.1 故障建模及类型 | 第14-15页 |
2.1.2 故障状态的表示 | 第15页 |
2.1.3 故障的符号规定 | 第15-16页 |
2.1.4 故障状态表及其相关概念 | 第16页 |
2.1.5 模拟电路故障诊断的流程 | 第16-18页 |
2.2 神经网络理论 | 第18-24页 |
2.2.1 人工神经网络的应用及特点 | 第18-21页 |
2.2.2 基本神经元原理 | 第21-23页 |
2.2.3 人工神经元的实现及神经网络 | 第23-24页 |
2.3 模拟电路故障诊断问题分析 | 第24-25页 |
2.3.1 故障诊断问题描述 | 第24-25页 |
2.3.2 使用神经网络做分类器的匹配原理 | 第25页 |
2.4 本章总结 | 第25-26页 |
第三章 基于BP神经网络的嵌入式系统及在模拟电路故障诊断中的应用 | 第26-39页 |
3.1 引言 | 第26页 |
3.2 用BP算法进行故障诊断的理论及原理分析 | 第26-29页 |
3.2.1 使用BP神经网络用于故障诊断的基本流程 | 第26页 |
3.2.2 故障诊断的四个假设 | 第26-27页 |
3.2.3 加入动量项的BP神经网络基本原理 | 第27-29页 |
3.3 BP神经网络嵌入式系统的设计 | 第29-32页 |
3.3.1 设计系统的结构框图 | 第29-30页 |
3.3.2 对BP网络芯片的选择 | 第30-31页 |
3.3.3 改进BP算法的选择 | 第31页 |
3.3.4 离线训练样本的获取 | 第31页 |
3.3.5 对BP网络的设计 | 第31-32页 |
3.4 仿真实验 | 第32-38页 |
3.4.1 在线性电路中的应用 | 第33-35页 |
3.4.2 在非线性模拟电路中的应用 | 第35-38页 |
3.5 本章总结 | 第38-39页 |
第四章 基于深度神经网络的技术及在模拟电路故障系统诊断中的应用 | 第39-54页 |
4.1 引言 | 第39-40页 |
4.2 基于卷积神经网络的深度学习理论 | 第40-42页 |
4.2.1 卷积神经网络理论概述 | 第40-41页 |
4.2.2 基于CAFFE与NGSPICE的系统设计 | 第41-42页 |
4.3 基于稀疏自编码器的深度学习在故障诊断中的理论及原理分析 | 第42-47页 |
4.3.1 稀疏自编码器 | 第42-45页 |
4.3.2 关于SOFTMAX分类器 | 第45-46页 |
4.3.3 栈式自编码神经网络结构及运行算法 | 第46-47页 |
4.4 基于深度学习网络的实验验证 | 第47-52页 |
4.4.1 实验工具描述 | 第47页 |
4.4.2 基于栈式神经网络的实验验证 | 第47-52页 |
4.5 本章总结 | 第52-54页 |
第五章 松散型小波集成神经网络及其在模拟电路故障诊断中的应用 | 第54-62页 |
5.1 引言 | 第54页 |
5.2 原理分析 | 第54-58页 |
5.2.1 小波变换原理 | 第54-56页 |
5.2.2 主元分析原理 | 第56页 |
5.2.3 松散型小波集成神经网络原理 | 第56-58页 |
5.3 实验验证 | 第58-61页 |
5.3.1 小波变换实验 | 第58-59页 |
5.3.2 主元分析实验 | 第59-60页 |
5.3.3 松散型小波集成神经网络实验 | 第60-61页 |
5.4 本章总结 | 第61-62页 |
第六章 总结与展望 | 第62-63页 |
6.1 总结 | 第62页 |
6.2 展望 | 第62-63页 |
参考文献 | 第63-67页 |
致谢 | 第67-68页 |
攻读硕士学位期间承担的科研任务与主要成果 | 第68页 |