| 摘要 | 第3-4页 |
| ABSTRACT | 第4页 |
| 1 绪论 | 第7-11页 |
| 1.1 模拟电路故障诊断研究的背景和意义 | 第7-8页 |
| 1.2 模拟电路故障诊断研究的研究现状 | 第8-10页 |
| 1.3 论文的研究内容及结构安排 | 第10-11页 |
| 2 基于小波分析及小波包的故障特征提取方法 | 第11-30页 |
| 2.1 引言 | 第11页 |
| 2.2 小波及小波包理论 | 第11-18页 |
| 2.2.1 小波变换 | 第11-12页 |
| 2.2.2 多分辨分析 | 第12-14页 |
| 2.2.3 小波包理论 | 第14-18页 |
| 2.3 故障特征向量的提取 | 第18-20页 |
| 2.3.1 小波分析特征提取 | 第18页 |
| 2.3.2 小波包分解特征提取 | 第18-20页 |
| 2.3.3 改进能量的小波包分解特征提取 | 第20页 |
| 2.4 故障诊断实例 | 第20-28页 |
| 2.4.1 诊断电路 | 第20-23页 |
| 2.4.2 故障特征提取 | 第23-26页 |
| 2.4.3 诊断结果 | 第26-28页 |
| 2.5 本章小结 | 第28-30页 |
| 3 基于隐含层节点数可变的 RBF 神经网络模拟电路故障诊断 | 第30-49页 |
| 3.1 引言 | 第30页 |
| 3.2 RBF 神经网络基本理论 | 第30-34页 |
| 3.2.1 RBF 网络结构和工作原理 | 第30-32页 |
| 3.2.2 RBF 网络的学习算法 | 第32-33页 |
| 3.2.3 RBF 神经网络与 BP 神经网络的比较 | 第33-34页 |
| 3.3 RBF 神经网络模拟电路故障诊断方法 | 第34-35页 |
| 3.4 故障诊断实例 | 第35-48页 |
| 3.4.1 故障诊断实例 1 | 第35-39页 |
| 3.4.2 故障诊断实例 2 | 第39-48页 |
| 3.5 本章小结 | 第48-49页 |
| 4 基于 K 均值聚类和 GA 的 RBF 神经网络模拟电路故障诊断 | 第49-60页 |
| 4.1 引言 | 第49页 |
| 4.2 遗传算法基本原理 | 第49-50页 |
| 4.3 基于 K 均值聚类的 RBF 神经网络遗传算法优化方法 | 第50-54页 |
| 4.3.1 编码及初始种群的产生 | 第51页 |
| 4.3.2 适应度函数的构造 | 第51-52页 |
| 4.3.3 遗传操作 | 第52-54页 |
| 4.4 故障诊断实例 | 第54-59页 |
| 4.4.1 故障诊断实例 1 | 第54-56页 |
| 4.4.2 故障诊断实例 2 | 第56-59页 |
| 4.5 本章小结 | 第59-60页 |
| 5 结论与展望 | 第60-62页 |
| 5.1 结论 | 第60页 |
| 5.2 研究与展望 | 第60-62页 |
| 致谢 | 第62-63页 |
| 参考文献 | 第63-65页 |
