文摘
英文文摘
第一章 绪论
1.1 本文研究的背景及意义
1.2 模拟电路故障诊断方法的发展与分类
1.2.1 模拟电路故障诊断方法的研究进展
1.2.2 模拟电路故障诊断方法分类
1.2.3 模拟电路的现代智能故障诊断方法
1.3 国内外研究现状
1.3.1 国外研究现状
1.3.2 国内研究现状
1.4 本文的研究内容和结构安排
第二章 小波分析的模拟电路故障特征优化方法研究
2.1 模拟电路故障特征提取概述
2.2 模拟电路故障检测的小波方法及灵敏度分析
2.2.1 小波变换
2.2.2 模拟电路故障检测的小波分析
2.2.3 小波故障识别的灵敏度
2.3 模拟电路故障特征优化的小波方法
2.3.1 小波故障特征提取
2.3.2 小波函数的选择与故障特征优化
2.3.3 诊断实例
2.4 本章小结
第三章 自适应GA-WNN的模拟电路故障诊断方法研究
3.1 小波神经网络
3.1.1 小波神经网络的结构
3.1.2 小波神经网络的逼近性能及小波基元的选取
3.1.3 学习算法
3.2 自适应小波神经网络的模拟电路故障诊断方法
3.2.1 故障诊断原理
3.2.2 故障分类的小波神经网络设计
3.2.3 小波神经网络的自适应学习算法
3.2.4 诊断实例
3.3 GA-WNN的模拟电路故障诊断方法
3.3.1 遗传算法
3.3.2 遗传算法对小波神经网络的优化
3.3.3 诊断实例
3.4 本章小结
第四章 基于提升小波-支持向量机的模拟电路故障诊断方法研究
4.1 统计学习理论
4.1.1 经验风险最小化
4.1.2 结构风险最小化原则
4.2 支持向量机
4.2.1 线性支持向量机
4.2.2 非线性支持向量机
4.2.3 支持向量机的结构
4.3 支持向量机的模拟电路故障分类
4.3.1 支持向量机的多类识别
4.3.2 基于支持向量机的模拟电路故障分类识别方法
4.4 模拟电路故障诊断的LWT-SVM方法
4.4.1 提升小波变换的电路故障特征提取
4.4.2 故障诊断实例
4.5 本章小结
第五章 基于DBT-SVM优化的模拟电路层级故障诊断方法研究
5.1 多分类支持向量机算法分析与性能比较
5.1.1 一对余法
5.1.2 一对一法
5.1.3 DDAG法
5.1.4 层次支持向量机
5.1.5 DBT-SVM的结构优化
5.2 基于最小生成树SVM的模拟电路故障诊断方法
5.2.1 最小生成树
5.2.2 最小生成树SVM多分类算法
5.2.3 MST-SVM方法的模拟电路故障诊断
5.3 特征融合的FDBT-SVM分级决策的模拟电路故障诊断方法
5.3.1 模糊聚类算法
5.3.2 FDBT-SVM分类算法
5.3.3 FDBT-SVM故障特征的优化选择
5.3.4 特征融合的FDBT-SVM分级决策故障诊断方法
5.3.5 诊断实例
5.4 本章小结
第六章 总结与展望
6.1 全文总结
6.2 未来研究工作及展望
致谢
参考文献
攻博期间取得的研究成果