一、现代模拟电路故障诊断方法发展综述（论文文献综述）
叶志伟[1]（2021）在《基于深度置信网络的模拟电路间歇故障检测》文中指出随着计算机技术的高速发展,电路系统所占的比例越来越大。在数模混合电路中的大部分故障来源于模拟电路部分。模拟电路由于其连续性,非线性及元件参数的容差性等特点,使得诊断过程十分复杂。通常大家所认为的故障是永久故障,其实还有更为特殊的瞬时故障和间歇故障,其中瞬时故障和间歇故障的表现非常类似,因此它们之间没有严格的区别。在此,可以将两者统称为间歇故障。恶劣的工作条件会导致模拟电路间歇故障经常发生,间歇故障具有难复现、难测试、难诊断等问题。对模拟电路故障和间歇故障的诊断也是许多学者研究的重点。论文分析研究了模拟电路故障诊断中故障的特征提取和模式分类等两方面的关键技术:对于模拟电路故障特征提取的问题,提出两种方法。一种是提出利用时域分析统计量（如样本极差,均值,标准差,偏斜度,峭度和熵等）作为模拟电路故障的特征向量。另一种方法是提出一种小波包变化的时频分析方法来进行故障特征的提取。通过对电路的原始信号进行多层小波包分解,再对分解系数进行重构后求得小波包能量熵,最后使用当前主流的主成分分析方法（PCA）来进行特征选择,进一步降维后得到模拟电路的故障特征向量。对于模拟电路故障识别分类的问题,研究了深度置信网络（DBN）模型的构造方法。DBN作为深度学习中的一种模型,具有很好特征识别和分类能力,同时还具有强大的处理高维非线性数据和自学习的能力,能够有效准确的定位故障。搭建模拟电路模型收集到原始数据集后,对其进行时域特征提取,然后作为DBN网络的输入,经实验结果表明此方法有良好的故障诊断效果可以达到较高的识别率。为了进一步提高模拟电路的故障识别率并且降低网络模型的迭代次数,对原始数据进行小波包能力熵的提取,然后使用PCA方法进行降维得到特征向量,将其作为模拟电路的特征向量输入到DBN网络模型中,对DBN网络模型进行训练学习后完成故障的诊断。最后,将提出的方法与常见的模拟电路故障诊断方法进行比较,结果表明所提方法具有更高的故障识别率。针对模拟电路系统间歇故障发生的时间、频率、概率及故障强度等随机性强,难以建模和检测这一工程实际问题。搭建模拟电路间歇故障的电路模型进行数据的收集,将小波包能量熵与DBN相结合的方法运用在更为特殊的模拟电路间歇故障诊断中,该方法通过样本集训练出有效的DBN模型,实现了对间歇故障的诊断。与BP反向传播算法进行对比,实验结果表明提出的DBN方法在模拟电路间歇故障诊断中表现依旧优异。
王瀚晨[2]（2020）在《基于深度学习的模拟电路故障诊断研究》文中进行了进一步梳理随着深度学习技术的不断发展,基于深度学习的故障诊断得到了比较广泛的应用。但这类诊断方法的故障知识一般均通过训练故障样本获得,因此故障样本中故障特征的有效程度对故障诊断的准确率和效果有直接影响。目前故障特征提取仍然主要依靠专业人员根据UUT（Unit Under Test,被测单元）特点自行提取。但由于模拟电路中故障数据一般是连续的响应信号,且由于元器件参数容差和噪声的存在,使得特征工程需要构建复杂的数学模型,同时需要测试人员具备较强的专业知识才能提取到较为有效的故障特征。为了提高特征工程的通用性、降低故障诊断特征提取的人工成本,本文提出了一种将采样数据直接输入到卷积神经网络自动提取故障特征的方法。本文选取了专为手写字体识别设计的高效模式识别卷积神经网络的经典结构Le Net-5,修改了Le Net-5的隐含层层数、卷积核及池化层的大小和个数。选用四运放高通滤波电路作为实验电路,使用Pspice中的交流分析结合蒙特卡洛分析获得电路中各个故障模式的电压响应仿真数据作为网络输入数据,调整网络参数,采用两种不同改进方案。方案1缩小了卷积核的大小并增加了卷积核的个数,方案2保持Le Net-5原有的卷积核个数并使用较大的卷积核,方案1和方案2都使用RELU函数替换Le Net-5原有的tanh激活函数。分别对两种方案进行识别训练,分类结果表明,使用改进后网络结构的准确率最高可达98.3333%。研究表明,利用卷积神经网络直接读入故障响应数据能够有效进行故障分类判断,不仅可以自动提取故障数据中的特征,而且能够提高特征工程的通用性,从而大大降低了故障特征提取阶段的人工成本和复杂程度。
豆震泽[3]（2020）在《基于形式概念分析的模拟电路故障诊断研究》文中研究说明随着电子科学与电子产业的发展,模拟电路故障诊断的研究价值不断提升。目前模拟电路故障诊断中,存在电路设备集成度高参数获取困难、元件存在容差提取可区分故障的特征困难、缺乏有效诊断融合手段等问题。智能诊断技术被广泛应用于模拟电路故障诊断领域,具有不需掌握电路知识、不用求解电路方程等诸多优势。单一的故障诊断方式不能很好的对不同类型的故障进行诊断分析,智能诊断方法可以通过信息融合手段,利用多个数据特征或不同分类器结果进行诊断融合,进一步提升故障诊断的准确性。小波分析是模拟电路故障诊断中常用的特征提取手段,可以根据小波类型和系数处理的不同,对同一数据呈现差异化的特征表现。形式概念分析作为具有坚实数学基础的数据分析工具,其运算过程以及分析结论具有人类可读、可理解的特点,利用形式背景对数据信息进行描述,通过概念格结构挖掘对象和属性间的关联,并可以通过Hasse图进行直观的展示。如何通过形式概念分析进行模拟电路的故障诊断融合,具有非常大的研究和应用价值。本文针对模拟电路故障诊断融合问题,研究并提出了基于形式概念分析的模拟电路故障诊断融合算法,通过模糊概念格、多值概念格表示故障诊断率和诊断结果,改进了概念格的相似度计算方法进行诊断融合。根据模拟电路故障的一般诊断流程,设计了基于小波分析、克隆选择算法、形式概念分析的模拟电路故障诊断方案,实现了基于形式概念分析的智能故障诊断融合系统。通过对小波类型、分解层数、小波系数处理方式的研究,针对融合对象的选取进行了研究,并提出了选取思路。通过对概念格相似度计算方法的研究,为故障融合方式的选择提供了参考依据。以两级四运放滤波电路为应用对象,对诊断融合算法进行了验证和评价,验证了形式概念分析理论成功解决模拟电路故障诊断领域的实际工程问题。
李峰[4]（2020）在《云模型优化的模拟电路故障诊断智能方法研究》文中认为集成电路技术的不断发展,使得系统中电路不断往大规模方向发展,在增加电路系统复杂度的同时,也带来了电路测试的一系列问题。据研究,现在电路系统的测试成本已经远远的超出电路系统的研制成本,虽然电路系统中模拟电路所占的比例只有整个电路的20%,但是故障率却占到80%,并且由于模拟电路元器件的容差和非线性等特点,导致模拟电路故障测试技术相较于数字电路发展缓慢。而且随着电路集成度的提高,传统的模拟电路故障诊断技术越来越不满足现代电路测试的需求,研究新的模拟电路测试技术迫在眉睫。近年来由于人工智能算法的兴起,大部分学者将人工智能算法引入到模拟电路故障诊断中,因此为模拟电路故障诊断技术的发展带来了新的思路。本文以人工智能算法为测试方法,以两个国际基准电路Sallen＿key和CTSV电路为验证对象,以云模型为基础从电路特征提取以及电路故障诊断两方面出发,对模拟电路有关的测试方法进行了研究。本文涉及的工作和主要内容如下:（1）模拟电路特征提取的研究。特征提取是对电路进行故障诊断的一项关键技术,特征提取的优劣直接影响到模拟电路的故障诊断结果。针对模拟电路存在的非线性和非平稳性,以及电路故障诊断时存在的模糊性与随机性问题,并且通过对局域均值分解算法（Local Mean Decomposition,LMD）和云模型的研究,提出了一种结合局域均值分解算法和云模型的模拟电路特征提取方法。该方法首先通过LMD算法对模拟电路的原始信号进行分解,然后利用逆向云发生器提取所选取的分解信号的三个数字特征值。在使用该方法进行云数字特征值提取时,不但大大的压缩了模拟电路的特征维数,同时也丢失了电路的部分细节信息。而且传统的逆向云发生器在求解云数字特征时误差大、稳定性不强。因此为了使云特征数据能更好的反映模拟电路的本质信息,以及增加逆向云发生器的稳定性和减少求解云特征数据的估计误差,提出了另外一种特征提取法,即相空间重构（Phase Space Reconstruction,PSR）优化多步逆向云算法。该方法在进行特征提取时,对三个云数字特征值的求解过程进行了改进,并用PSR技术对其进行了优化。通过与结合LMD云模型的特征提取方法相比,模拟电路故障诊断率得到了有效的提高。（2）模拟电路故障分类的研究。本文通过对最小二乘支持向量机（Least Squares Support Vector Machine,LSSVM）的逐渐深入研究,发现LSSVM的核函数参数以及惩罚因子是影响分类效果的重要因素。又因为人工蜂群算法（Artificial Bee Colony algorithm,ABC）具有良好的全局寻优能力,所以在进行故障诊断时使用ABC算法对LSSVM的参数进行优化,并成功的构建了ABC-LSSVM的故障诊断模型。但是标准的ABC算法在对LSSVM的参数进行优化时使用随机赋值的方法会对ABC-LSSVM网络的稳定性有一定的影响,因此本文使用反向学习机制对ABC算法的初始化进行改进。另外为了增加ABC算法解的多样性和增强其探索能力,使用云模型改进ABC算法的概率选择机制,同时为了改进ABC算法的寻优速度,使用最优个体对标准ABC算法的搜索方式进行引导。因此提出了最优引导反向云模型算法（Optimal Guidance Reverse Cloud Model,简称GRC）优化ABC算法,并构建了GRCABC-LSSVM模拟电路故障诊断模型。通过与ABC-LSSVM比较,GRCABC-LSSVM具有更快的收敛速度,而且也得到了更好的模拟电路故障诊断效果。
李敬[5]（2020）在《电路故障诊断方法下的锂电池健康状态管理研究》文中进行了进一步梳理随着消费电子和电动汽车等行业的蓬勃发展,锂电池的市场需求持续增长,而因锂电池安全性问题所引发的事故频发,给人们带来很大损失。因此,对锂电池健康状态（State of Health,SOH）进行科学有效的评估、管理,将会大大提高锂电池安全性。同时,SOH评估、管理对锂电池的使用、维护以及经济性分析具有重要的指导意义。目前,国内外学者主要通过建立锂电池评估模型来获取锂电池的SOH,对于锂电池SOH的研究已经取得了一定的研究成果,但由于锂电池在工作状态下,内部发生的电化学反应十分复杂,因此,对于锂电池SOH的评估及管理在实际应用中还存在一些不足。随着锂电池的老化,锂电池SOH的预测准确度逐渐下降,为锂电池的使用及维护带来诸多不便。本文提出了一种研究锂电池SOH的新思路,将模拟电路故障诊断的方法引入到锂电池SOH研究领域。首先分析了国内外对锂电池SOH的研究现状,然后总结了国内外研究锂电池SOH的各种分析方法以及未来的发展趋势。为辨识锂电池等效电路模型参数搭建了实验测量平台。利用交流注入法并结合开尔文四线检测法、交直分离技术以及微弱信号检测技术等,研究并设计了锂电池内阻测量系统。该系统能够实现对锂电池内阻、电压等参数的精确测量,测量数据可实时保存。利用实验测量平台对锂电池等效电路模型进行了参数辨识。采用脉冲放电法并结合多项式拟合法完成了对开路电压的辨识;采用交流阻抗法完成了对欧姆内阻的辨识;采用脉冲放电法并结合指数拟合法完成了对极化电容、极化内阻的辨识。利用电路仿真软件对锂电池等效电路进行故障仿真,通过对等效电路施加激励信号获取输出响应,然后运用小波变换对等效电路的输出响应信号进行特征提取,再将提取的特征数据输入到融合布谷鸟搜索（Cuckoo Search,CS）算法的BP（Back Propagation,BP）神经网络进行训练及测试,得到锂电池等效电路的诊断结果,然后根据诊断结果来分析锂电池SOH,并通过等效电路中的失效元件来分析定位锂电池的失效部位,仿真结果表明,取得了良好的诊断效果。本文工作是对运用电路故障诊断方法分析锂电池SOH的有益探索,在一定程度上丰富了评估、管理锂电池SOH的研究成果。
姚瑶[6]（2020）在《基于深度信念网络和神经网络的模拟电路故障诊断》文中进行了进一步梳理自上个世纪六十年代起,相关研究人员与学者就将精力投入到对模拟电路故障诊断方法的研究,经过几代人的努力,该领域取得了令人瞩目的研究理论与技术成果。然而模拟电路本身所具备的特性,即其元器件参数拥有的容差性和电路发生的故障模式复杂多样,导致了诊断方法在实际应用中会出现误差,影响结果的准确率。本文提出了将深度信念网络应用于对故障特征进行提取,并将建立BP神经网络故障分类模型,同时将二者分别与智能优化算法结合,以达到更好的模拟电路故障诊断效果。本文首基于现有的故障诊断理论与方法,提出了一种将深度信念网络用以解决故障诊断中获取深度特征向量问题的方法。深度信念网络作为故障特征提取工具,能够发现故障信号中更深层次的规律,获取最优特征向量,然后将其作为已训练好的BP神经网络的输入从而进行故障分类。深度信念网络克服了其他特征提取方法易于忽略信号中的有用信息以及提取的特征易于发生重叠的问题,从而提取深度和本质特征。通过仿真实例证明了该方法的实施步骤的可行性和诊断效果的有效性。针对现有的理论方法与相应技术的条件下对模拟电路进行故障模式识别会出现的困难,本文提出了将量子粒子群算法用于优化深度信念网络和BP神经网络的模拟电路诊断方法。该法首先用量子粒子群算法优化深度信念网络的结构参数,而后利用其提取电路的故障特征,再通过量子粒子群算法优化BP神经网络的结构参数,确定最佳的网络结构,并将获得的最优特征集作为优化BP神经网络的输入,从而获得最优的分类结果。量子粒子群算法的寻优能力较强,可以做到快速提高网络的泛化能力。此方法消除了在搭建故障诊断模型时对网络结构参数进行选择时的盲目性,从而使网络的收敛速度大大提高。通过仿真实例验证了该方法对故障进行诊断的准确性。
霍龙龙[7]（2020）在《基于支持向量机和神经网络的光电探测系统故障诊断研究》文中提出光电探测系统是通过光电变换和电路处理的方法对光信号进行探测的系统,广泛应用于工业、医疗、天文和军事领域。随着光电探测系统的不断发展和广泛应用,其精度和稳定性要求越来越高,所以针对光电探测系统故障诊断的研究很有必要。本文通过仿真对基于光电倍增管（PMT）模块和电流放大器的光电检测系统进行故障诊断研究,针对PMT模块和电流放大器分别提出故障诊断方案并进行仿真验证。论文主要研究工作和创新如下:首先,基于PMT模块在脉冲幅度测试时的输出波形特点进行其故障诊断研究。PMT模块的脉冲幅度测试常采用在核辐射源作用下的闪烁体作为脉冲光源,在输出端采集到的核脉冲信号可近似由双指数函数表示。本文在Multisim14.0平台上设计了核脉冲产生电路并采用CR-（RC）4电路进行信号的高斯成形。通过仿真得到的核脉冲波形数据可以模拟PMT模块脉冲幅度测试时各故障状态下的输出脉冲波形,并为电流放大器提供激励信号以对其电路软故障进行故障诊断研究。其次,通过仿真得到PMT模块和电流放大器在不同故障状态下的模拟输出波形并建立故障模型,采用小波包分解进行故障数据的特征提取,然后使用支持向量机（SVM）和BP神经网络对故障数据进行分类。针对SVM的惩罚参数和核函数参数的选取问题,采用粒子群算法（PSO）和改进粒子群算法（IPSO）进行优化SVM。最后,将SVM模型、PSO-SVM模型、IPSO-SVM模型及BP神经网络用于光电探测系统故障数据分类。仿真结果表明,将小波包分解的特征提取方法与基于SVM和BP神经网络的故障分类方法相结合的故障诊断方案能准确、快速地完成光电探测系统的故障诊断,对光电探测系统故障诊断智能化做了有益的尝试。
安蒙强[8]（2020）在《基于PCA-SVM的模拟信号转换板卡故障诊断系统设计及FPGA实现》文中指出随着智能化电子工业技术的发展,传统电子设备中的模拟电路逐渐被数字电路取代,形成精度更高、系统运行速率更快、成本更少的电子产品。由于客观世界中充斥着连续的、非线性的自然量要靠模拟电路来处理,使得模拟电路并不能完全被数字电路取代。据有关资料显示,设备中大约80%的故障来自于模拟电路,而模拟电路本身的容差性、非线性等复杂特性,使得对其进行故障诊断一直是个难题。目前模拟电路故障诊断的方法普遍采用的是故障字典法,但只能针对单故障及硬故障进行诊断。近年来,国内外一些科研项目也提出了基于神经网络的方法,但该方法容易造成无法解决小样本问题、模型结构难以选择及结果易陷入局部最优解的问题。本文主要应用基于统计学习理论的方法——支持向量机（Support Vector Machine,SVM）来对模拟电路进行故障诊断,并结合样本特征降维的方法——主成分分析法（Principal Component Analysis,PCA）加快数据的收敛速度。在实际应用中表明,支持向量机在解决小样本、非线性、高维度的故障识别问题,具有结构简单、全局最优、泛化能力强等特点。本文针对电站分布式控制系统中的模拟信号转换板卡故障频出、故障定位困难的问题,设计了一套模拟电路故障诊断系统。系统的软件方面应用FPGA片上集成的软核处理器Nios II,根据Avalon总线协议,与各类外设接口控制模块进行通信。在系统硬件方面完成了NAND Flash存储模块、高速AD采集模块、LCD显示模块、SDRAM缓存模块等硬件电路设计,使系统具有数据存储、模数信号转换、结果显示及数据缓存等功能。本故障诊断系统将FPGA的高速并行运算能力与PCA-SVM算法的故障识别能力结合在一起,使系统在对模拟电路进行故障诊断时,表现出高运行速率、高准确率的特性。本系统不光实用于解决电站DCS模拟信号转换板卡的故障诊断问题,也为其他领域的模拟电路故障诊断系统实现提供参考。
李洪祥[9]（2020）在《基于优化神经网络的模拟电路故障诊断方法研究》文中研究指明现如今,电子产品被广泛应用在各个领域,及时排查出电子产品中的安全隐患具有十分重要意义。模拟电路是电子产品中不可缺少的组成部分,而模拟电路具有复杂耦合性、非线性、容差性等特点,导致模拟电路故障诊断技术的发展速度缓慢,无法满足目前电子工业对电子产品安全性、可靠性和可测试性的需求。因此寻找一种适用于现代化模拟电路的智能诊断方法,对模拟电路故障诊断技术的发展具有举足轻重的意义。本文主要针对故障数据获取、故障特征提取、故障识别分类等三点问题展开了研究。（1）针对传统故障数据获取方法的运行效率低和故障覆盖率低等问题,设计了基于SLPS的故障数据自动生成平台。首先,跨领域的使用SLPS模块,建立Pspice与Matlab的联合仿真模型,实现了Matlab对Pspice中电路模型的调用功能。然后,研究了故障自动植入的策略,通过修改NET文件中信息达到故障自动化植入的目的。其次,将复杂的功能代码封装成EXE文件,使该文件具有独立运行、界面简单明了的特点。最后,进行仿真实验,平台的运行结果与单独运行Pspice软件的结果相同,其运行效率远高于传统方法,具有一定的实用价值。（2）针对模拟电路故障特征难以有效提取的问题,提出了基于主元分析的多信息融合故障特征提取方法。首先,使用小波包算法剔除原始故障数据中的噪声信号,提取出小波包能量系数特征。然后,使用信息统计理论,更加充分挖掘出原始数据中的故障信息,提取出信息统计特征。最后,将小波包能量系数特征与信息统计特征组成为多信息融合故障特征,并用主元分析方法对融合故障特征进行降维处理,降低故障特征数据维度的同时保存了绝大部分故障特征信息,减少了后期故障识别分类的计算量。（3）针对模拟电路故障分类精度低的问题,提出基于优化神经网络的模拟电路故障诊断方法。首先,通过使用几种不同故障特征对单一BP神经网络进行训练,实验证明主元降维后的融合特征在准确率和耗时上均表现优异。其次,针对单一BP神经网络容易陷入局部最优值等缺陷,使用遗传算法对神经网络的初始权值与阈值进行优化,实验证明GA-BP比单一BP的诊断精度要高。最后,针对传统遗传算法中易早熟等缺点,使用量子遗传算法对神经网络进行优化,实验证明QGA-BP比GA-BP能取得更加准确的诊断结果。
袁志杰[10]（2019）在《子空间学习算法在模拟电路故障诊断中的应用》文中认为模拟电路故障诊断是关系国计民生的一个研究课题,资料表明,超过60%的集成电路包括数字和模拟混合信号电路,而混合电子系统中80%以上的故障发生在模拟部分,模拟电路的测试成本可占总测试成本的95%。然而由于模拟电路存在着一些固有的困难,对故障元件和参数的诊断与定位并不是一件容易的事,模拟电路故障诊断理论虽然在过去的几十年里取得了不少成果,但一直没有突破性的进展。本文主要围绕着模拟电路故障诊断的关键技术即特征提取方法展开研究,研究了用子空间学习算法进行特征提取时如何提高故障诊断的精度和如何增强算法的抗噪能力两个方面的问题。具体工作如下:（1）针对非线性的子空间学习算法中的核熵成分分析,提出了基于概率密度的熵估计方法,从全带宽矩阵核概率密度函数和高阶核概率密度函数两个角度出发,优化了熵估计。导出了两个更合理、更准确的熵估计式,不仅从理论上证明了这个结论,还给出了仿真试验,试验表明一方面改进的估计式对熵的估计更准确,另一方面改进熵估计的核熵成分分析用于提取模拟电路故障信号的非线性特征时,诊断的准确率得到了提高。（2）针对若干流形算法,将对异常点稳健的扩散距离用于度量流形上两点的距离以及确定流形上点的邻域,不仅增强了这些算法的抗噪能力,而且大大减小了原有算法的计算量。试验表明,这样的流形算法既能缩减了计算时间,在数据集混合噪声时也能保留数据集的几何结构。（3）分析了局部线性嵌入法对线性强相关数据集强大的特征提取能力和扩散映射算法的聚类能力,分析了蒙特卡罗仿真下模拟电路故障数据的统计特征,最后将这两种算法融合用于提取故障数据的几何特征。结果表明该方法能够完全保留原始故障数据的几何结构,所得的低维特征向量按不同故障类投影到了对应类的聚类中心,即同一类故障数据在可视低维空间中都被映射到了一个点,而不是一个模糊类,这对以往的故障特征提取方法来说是一个巨大的进步。在利用所提出的方法提取故障数据特征后,在可视化空间中,故障是完全可分的。（4）讨论了代价函数中的三种常用准则函数,分析了这些准则的适用情况。从理论上证明了基于信息理论学习的准则函数对非高斯噪声不敏感的特性,分析了这些准则之间的关系,并就非高斯噪声的不同情况,推导了相关公式,根据这些公式具体分析了三种准则函数的表现。（5）将信息理论学习准则函数用于局部线性嵌入算法,实验表明在按（2）的邻域确定方式的基础上,局部线性嵌入算法对含非高斯噪声的人工数据集能够消除噪声的影响,在低维空间中保留数据集的原有几何结构。对于混合了非高斯噪声的模拟电路故障信号,用基于信息理论准则的局部线性嵌入算法和多维尺度分析,可以进行故障特征提取,算法同时具有高精度的诊断能力。
二、现代模拟电路故障诊断方法发展综述（论文开题报告）
（1）论文研究背景及目的
此处内容要求：
首先简单简介论文所研究问题的基本概念和背景，再而简单明了地指出论文所要研究解决的具体问题，并提出你的论文准备的观点或解决方法。
写法范例：
本文主要提出一款精简64位RISC处理器存储管理单元结构并详细分析其设计过程。在该MMU结构中,TLB采用叁个分离的TLB,TLB采用基于内容查找的相联存储器并行查找,支持粗粒度为64KB和细粒度为4KB两种页面大小,采用多级分层页表结构映射地址空间,并详细论述了四级页表转换过程,TLB结构组织等。该MMU结构将作为该处理器存储系统实现的一个重要组成部分。
（2）本文研究方法
调查法：该方法是有目的、有系统的搜集有关研究对象的具体信息。
观察法：用自己的感官和辅助工具直接观察研究对象从而得到有关信息。
实验法：通过主支变革、控制研究对象来发现与确认事物间的因果关系。
文献研究法：通过调查文献来获得资料，从而全面的、正确的了解掌握研究方法。
实证研究法：依据现有的科学理论和实践的需要提出设计。
定性分析法：对研究对象进行“质”的方面的研究，这个方法需要计算的数据较少。
定量分析法：通过具体的数字，使人们对研究对象的认识进一步精确化。
跨学科研究法：运用多学科的理论、方法和成果从整体上对某一课题进行研究。
功能分析法：这是社会科学用来分析社会现象的一种方法，从某一功能出发研究多个方面的影响。
模拟法：通过创设一个与原型相似的模型来间接研究原型某种特性的一种形容方法。
三、现代模拟电路故障诊断方法发展综述（论文提纲范文）
（1）基于深度置信网络的模拟电路间歇故障检测（论文提纲范文）
| 摘要 |
| Abstract |
| 第一章 绪论 |
| 1.1 研究背景与意义 |
| 1.2 模拟电路故障诊断国内外研究现状 |
| 1.3 模拟电路故障诊断方法 |
| 1.3.1 传统的模拟电路故障诊断方法 |
| 1.3.2 现代的模拟电路故障诊断方法 |
| 1.4 间歇故障 |
| 1.4.1 间歇故障研究背景及意义 |
| 1.4.2 间歇故障研究综述 |
| 1.5 文章研究内容及安排 |
| 第二章 信号特征提取及模拟电路模型搭建 |
| 2.1 引言 |
| 2.2 传统的信号分析法 |
| 2.2.1 时域信号分析 |
| 2.2.2 频域分析 |
| 2.3 小波分析法 |
| 2.4 小波包分析法 |
| 2.4.1 小波包分解 |
| 2.4.2 小波包基函数选取 |
| 2.4.3 小波包能量熵的特征提取 |
| 2.5 主成分分析法 |
| 2.6 模拟电路模型 |
| 2.6.1 Sallen-key带通滤波器模型 |
| 2.6.2 四运放双二次高通滤波器模型 |
| 2.6.3 模拟电路间歇故障的电路模型 |
| 2.7 本章小结 |
| 第三章 基于深度置信网络的模拟电路故障诊断 |
| 3.1 引言 |
| 3.2 DBN模型 |
| 3.2.1 RBM框架 |
| 3.2.2 训练RBM |
| 3.2.3 DBN模型框架 |
| 3.2.4 DBN模型参数的选取 |
| 3.3 实例 |
| 3.3.1 诊断步骤 |
| 3.3.2 诊断实例 |
| 3.4 本章小结 |
| 第四章 基于小波包能量熵和PCA-DBN的模拟电路故障诊断 |
| 4.1 引言 |
| 4.2 PCA降维 |
| 4.3 诊断步骤 |
| 4.4 Sallen-key带通滤波电路诊断实例 |
| 4.4.1 特征提取 |
| 4.4.2 实验验证 |
| 4.5 四运放双二次高通滤波器诊断实例 |
| 4.5.1 特征提取 |
| 4.5.2 实验验证 |
| 4.6 本章小结 |
| 第五章 基于小波包能量熵和DBN的模拟电路间歇故障诊断 |
| 5.1 引言 |
| 5.2 模拟电路间歇故障实例 |
| 5.2.1 诊断步骤 |
| 5.2.2 诊断实例 |
| 5.3 BP反向传播神经网络 |
| 5.3.1 BP反向传播神经网络原理 |
| 5.3.2 反向传播神经网络计算过程 |
| 5.3.3 实验分析和对比 |
| 5.4 本章小结 |
| 第六章 总结和展望 |
| 参考文献 |
| 致谢 |
| 攻读学位期间的研究成果 |
（2）基于深度学习的模拟电路故障诊断研究（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 第一章 绪论 |
| 1.1 研究背景及意义 |
| 1.2 模拟电路故障诊断的发展历史和研究现状 |
| 1.3 本文的主要研究内容 |
| 1.4 本章小结 |
| 第二章 相关算法的一般原理及结构概述 |
| 2.1 CNN卷积神经网络模型特点 |
| 2.1.1 局部连接 |
| 2.1.2 权值共享 |
| 2.2 支持向量机理论分析 |
| 2.2.1 非线性SVM算法原理 |
| 2.2.2 多分类SVM原理 |
| 2.2.2.1 逐级分类方法 |
| 2.2.2.2 成对分类方法 |
| 2.3 本章小结 |
| 第三章 基于卷积神经网络的模拟电路故障特征提取 |
| 3.1 模拟电路故障诊断流程 |
| 3.2 基于深度学习的特征提取研究现状 |
| 3.3 基于CNN的模拟电路故障特征提取 |
| 3.4 基于SVM的故障分类算法 |
| 3.5 故障诊断实例 |
| 3.5.1 数据采集 |
| 3.5.2 特征提取 |
| 3.5.3 故障模式分类 |
| 3.5.4 实验结果与分析 |
| 3.6 本章小结 |
| 第四章 系统集成设计与实现 |
| 4.1 架构设计 |
| 4.2 功能模块实现 |
| 4.2.1 特征提取 |
| 4.2.2 模型训练与故障诊断 |
| 4.2.3 查看诊断结果 |
| 4.3 本章小结 |
| 第五章 总结与展望 |
| 5.1 工作总结 |
| 5.2 未来展望 |
| 参考文献 |
| 在学期间研究成果 |
| 致谢 |
（3）基于形式概念分析的模拟电路故障诊断研究（论文提纲范文）
| 摘要 |
| Abstract |
| 第一章 绪论 |
| 1.1 研究背景及意义 |
| 1.2 国内外研究现状 |
| 1.3 模拟电路故障诊断原理及流程 |
| 1.4 本文的研究内容 |
| 1.5 本章小结 |
| 第二章 模拟电路故障特征提取技术 |
| 2.1 通用特征提取技术 |
| 2.2 小波分析的介绍 |
| 2.3 小波分析的理论基础 |
| 2.3.1 小波变换基本原理 |
| 2.3.2 小波分解与小波包分解 |
| 2.3.3 小波分解层次和能量值的提取 |
| 2.4 小波特征提取实验 |
| 2.4.1 小波基函数对比实验 |
| 2.4.2 小波分解层次对比实验 |
| 2.4.3 小波系数组合和构建方式对比实验 |
| 2.5 本章小结 |
| 第三章 形式概念分析与概念格 |
| 3.1 形式概念分析的介绍 |
| 3.2 形式概念分析的基本概念 |
| 3.3 概念格的构造算法 |
| 3.3.1 概念格的主要构造算法 |
| 3.3.2 加入剪枝技术的渐进式概念格构造算法 |
| 3.4 模糊概念格和多值概念格 |
| 3.4.1 模糊概念格 |
| 3.4.2 多值概念格 |
| 3.5 概念格的相似度比较 |
| 3.6 本章小结 |
| 第四章 基于形式概念分析的智能故障诊断 |
| 4.1 基于形式概念分析的模拟电路故障诊断融合算法 |
| 4.1.1 故障的模糊概念格 |
| 4.1.2 待测数据的单值概念格 |
| 4.1.3 故障诊断融合 |
| 4.2 系统总体设计 |
| 4.3 故障注入与数据采集 |
| 4.4 特征提取与故障分类 |
| 4.5 形式概念分析与诊断结果融合 |
| 4.5.1 形式概念分析诊断融合算法的效果 |
| 4.5.2 相似度比较方式对诊断结果的影响 |
| 4.6 本章小结 |
| 第五章 结论与展望 |
| 5.1 本文总结与创新工作 |
| 5.2 研究展望 |
| 参考文献 |
| 致谢 |
（4）云模型优化的模拟电路故障诊断智能方法研究（论文提纲范文）
| 摘要 |
| Abstract |
| 第一章 绪论 |
| §1.1 模拟电路研究背景及意义 |
| §1.2 国内外研究现状 |
| §1.2.1 国外研究现状 |
| §1.2.2 国内研究现状 |
| §1.3 本文研究内容和结构安排 |
| §1.3.1 本文主要研究内容 |
| §1.3.2 本文结构安排 |
| §1.4 本章小结 |
| 第二章 模拟电路特点及故障诊断方法 |
| §2.1 模拟电路故障分类 |
| §2.2 模拟电路故障诊断特点与诊断方法研究 |
| §2.2.1 模拟电路故障诊断特点 |
| §2.2.2 模拟电路故障诊断方法 |
| §2.3 云模型在模拟电路故障诊断中的应用情况 |
| §2.4 LMD云模型和LSSVM故障诊断方法可行性分析 |
| §2.4.1 云模型运用于对数放大器电路的可行性分析 |
| §2.4.2 LMD算法运用于对数放大器电路的可行性分析 |
| §2.4.3 LSSVM运用于对数放大器电路的可行性分析 |
| §2.5 本章小结 |
| 第三章 基于云模型的模拟电路特征提取 |
| §3.1 局部均值分解 |
| §3.1.1 局部均值分解概述 |
| §3.1.2 局部均值分解原理 |
| §3.2 云模型 |
| §3.2.1 云模型概述 |
| §3.2.2 云模型原理 |
| §3.3 小波分析 |
| §3.3.1 小波分析概述 |
| §3.3.2 小波分析原理 |
| §3.3.3 小波能量特征提取 |
| §3.4 相空间重构 |
| §3.4.1 相空间重构概述 |
| §3.4.2 相空间重构原理 |
| §3.4.3 相空间重构参数求解法 |
| §3.5 基于云模型的特征提取方法 |
| §3.5.1 LMD与云模型特征提取步骤 |
| §3.5.2 相空间重构优化多步逆向云算法原理 |
| §3.5.3 LMD相空间重构优化多步逆向云算法特征提取步骤 |
| §3.6 本章小结 |
| 第四章 云模型优化的模拟电路故障诊断分类器方法设计 |
| §4.1 分类选择算法 |
| §4.1.1 LSSVM算法概述 |
| §4.1.2 LSSVM算法原理 |
| §4.1.3 LSSVM各影响参数分析 |
| §4.2 分类算法参数寻优算法 |
| §4.2.1 人工蜂群算法概述 |
| §4.2.2 人工蜂群算法原理 |
| §4.2.3 云模型优化人工蜂群算法 |
| §4.2.4 ABC 算法与GRCABC 算法优化性能比较 |
| §4.3 LSSVM参数优化模型研究 |
| §4.3.1 ABC优化LSSVM故障诊断方法 |
| §4.3.2 GRCABC优化LSSVM故障诊断方法 |
| §4.4 本章小结 |
| 第五章 云模型优化的模拟电路故障诊断实例验证及分析 |
| §5.1 LMD云模型和ABC-LSSVM故障诊断 |
| §5.2 LMD相空间重构优化多步逆向云算法和ABC-LSSVM故障诊断 |
| §5.3 LMD云模型和GRCABC-LSSVM故障诊断 |
| §5.4 本章小结 |
| 第六章 总结与展望 |
| §6.1 本文工作总结 |
| §6.2 研究展望 |
| 参考文献 |
| 致谢 |
| 作者在攻读硕士期间的主要研究成果 |
（5）电路故障诊断方法下的锂电池健康状态管理研究（论文提纲范文）
| 摘要 |
| Abstract |
| 第一章 绪论 |
| §1.1 研究背景及意义 |
| §1.2 锂电池健康状态研究现状及发展趋势 |
| §1.3 本文主要研究内容及结构安排 |
| §1.3.1 本文主要研究内容 |
| §1.3.2 本文结构安排 |
| 第二章 锂电池特性及电路故障诊断方法研究 |
| §2.1 锂电池特性 |
| §2.1.1 锂电池简介 |
| §2.1.2 锂电池工作原理 |
| §2.1.3 锂电池主要性能参数 |
| §2.1.4 锂电池充放电特性 |
| §2.2 模拟电路故障诊断方法研究 |
| §2.2.1 模拟电路故障诊断理论的发展 |
| §2.2.2 模拟电路故障诊断的难点 |
| §2.2.3 模拟电路故障诊断的神经网络方法 |
| §2.3 本章小结 |
| 第三章 锂电池内阻测量系统设计 |
| §3.1 锂电池内阻测量原理及方案设计 |
| §3.1.1 锂电池内阻测量原理 |
| §3.1.2 开尔文四线检测法 |
| §3.1.3 交流小信号提取 |
| §3.1.4 锂电池内阻测量方案设计 |
| §3.2 系统硬件设计 |
| §3.2.1 系统电源电路 |
| §3.2.2 交流恒流源电路 |
| §3.2.3 交直隔离电路 |
| §3.2.4 差分电路 |
| §3.2.5 低通滤波电路 |
| §3.2.6 交流小信号提取电路 |
| §3.2.7 电压跟随电路 |
| §3.2.8 减法运算电路 |
| §3.2.9 幅相检测电路 |
| §3.2.10 锂电池放电保护电路 |
| §3.2.11 数据采集处理电路 |
| §3.3 系统软件设计 |
| §3.3.1 下位机软件设计 |
| §3.3.2 上位机软件设计 |
| §3.4 系统测试与数据分析 |
| §3.4.1 系统测试 |
| §3.4.2 数据分析 |
| §3.5 本章小结 |
| 第四章 锂电池等效电路模型参数辨识方法研究 |
| §4.1 锂电池等效电路模型简介与建立 |
| §4.1.1 锂电池等效电路模型简介 |
| §4.1.2 锂电池等效电路模型分析与建立 |
| §4.2 锂电池等效电路模型参数辨识 |
| §4.2.1 开路电压U_(OCV)辨识 |
| §4.2.2 欧姆内阻R_o辨识 |
| §4.2.3 极化电容、极化内阻参数辨识 |
| §4.3 本章小结 |
| 第五章 基于BP神经网络的锂电池等效电路故障诊断方法研究 |
| §5.1 电路模型故障特征提取研究 |
| §5.1.1 电路仿真及蒙特卡洛分析 |
| §5.1.2 小波分析研究 |
| §5.2 故障诊断的BP神经网络方法研究 |
| §5.3 BP神经网络优化方法研究 |
| §5.4 电路模型故障诊断及锂电池健康状态分析 |
| §5.5 本章小结 |
| 第六章 研究总结与展望 |
| §6.1 研究总结 |
| §6.2 研究展望 |
| 参考文献 |
| 致谢 |
| 作者攻读硕士学位期间取得的研究成果 |
| 附录 |
（6）基于深度信念网络和神经网络的模拟电路故障诊断（论文提纲范文）
| 致谢 |
| 摘要 |
| ABSTRACT |
| 第一章 绪论 |
| 1.1 研究背景及意义 |
| 1.2 模拟电路故障诊断技术的发展及现状 |
| 1.3 故障诊断技术的发展趋势 |
| 1.4 本文的主要内容 |
| 第二章 模拟电路故障诊断的基本原理 |
| 2.1 模拟电路故障的分类 |
| 2.2 模拟电路故障诊断的基本方法 |
| 2.3 模拟电路故障诊断的基本流程 |
| 2.3.1 模拟电路故障诊断的模式识别过程 |
| 2.3.2 模拟电路故障诊断的具体步骤 |
| 2.4 本章小结 |
| 第三章 基于深度信念网络的故障特征提取 |
| 3.1 常用的特征提取方法 |
| 3.1.1 基于小波分析的特征提取 |
| 3.1.2 基于主成分分析的特征提取 |
| 3.1.3 基于Hilbert-Huang变换的特征提取 |
| 3.1.4 基于稀疏表示的特征提取 |
| 3.2 基于深度信念网络的特征提取 |
| 3.2.1 受限玻尔兹曼机 |
| 3.2.2 DBN结构 |
| 3.2.3 DBN训练过程 |
| 3.2.4 基于DBN的特征提取过程 |
| 3.3 量子粒子群优化算法 |
| 3.3.1 数学模型 |
| 3.3.2 算法流程 |
| 3.3.3 量子粒子群算法优化DBN |
| 3.4 仿真实例 |
| 3.5 小结 |
| 第四章 基于BP神经网络的模拟电路故障诊断 |
| 4.1 BP神经网络基本理论 |
| 4.1.1 BP神经网络概述 |
| 4.1.2 BP神经网络的训练 |
| 4.2 基于BP神经网络的故障诊断 |
| 4.2.1 故障诊断步骤 |
| 4.2.2 样本集的构造 |
| 4.2.3 BP神经网络故障诊断模型 |
| 4.2.4 QPSO算法优化BP神经网络 |
| 4.3 仿真实例 |
| 4.4 小结 |
| 第五章 总结与展望 |
| 5.1 工作总结 |
| 5.2 工作展望 |
| 参考文献 |
| 攻读硕士学位期间的学术活动及成果情况 |
（7）基于支持向量机和神经网络的光电探测系统故障诊断研究（论文提纲范文）
| 致谢 |
| 摘要 |
| abstract |
| 第一章 绪论 |
| 1.1 研究背景及意义 |
| 1.2 课题研究现状 |
| 1.2.1 故障诊断的研究现状 |
| 1.2.2 光电探测系统故障诊断的研究现状 |
| 1.3 本课题依托的项目背景与主要工作 |
| 1.4 本文的主要内容与章节安排 |
| 1.4.1 本文的主要研究内容 |
| 1.4.2 本文的章节安排 |
| 第二章 故障诊断的理论概述 |
| 2.1 故障诊断的基本理论 |
| 2.2 故障诊断方法的分类 |
| 2.2.1 模拟电路故障诊断方法的分类 |
| 2.3 特征提取对象的选择与特征提取方法 |
| 2.3.1 特征提取对象的选取 |
| 2.3.2 特征提取的方法 |
| 2.4 统计学习理论 |
| 2.4.1 VC维 |
| 2.4.2 经验风险最小化原则 |
| 2.4.3 结构风险最小化原则 |
| 2.5 支持向量机(SVM)原理及其优化算法 |
| 2.5.1 支持向量机原理 |
| 2.5.2 群智能优化算法 |
| 2.6 人工神经网络 |
| 2.6.1 神经网络概述 |
| 2.6.2 BP神经网络 |
| 2.7 本章小结 |
| 第三章 光电探测系统故障诊断方案 |
| 3.1 光电探测器简介 |
| 3.2 电流放大器简介 |
| 3.3 光电探测系统故障诊断方案设计 |
| 3.3.1 PMT模块故障诊断方案设计 |
| 3.3.2 电流放大器故障诊断方案设计 |
| 3.3.3 蒙特卡洛仿真 |
| 3.3.4 小波包分解参数选定 |
| 3.4 核脉冲的产生与高斯成形 |
| 3.4.1 核脉冲的产生 |
| 3.4.2 核脉冲的高斯成形 |
| 3.5 光电探测系统的故障数据获取 |
| 3.5.1 PMT模块的故障数据仿真 |
| 3.5.2 电流放大器的故障数据仿真 |
| 3.6 本章小结 |
| 第四章 基于SVM和BP神经网络的光电探测系统故障诊断 |
| 4.1 改进的粒子群算法优化SVM |
| 4.1.1 粒子群算法 |
| 4.1.2 改进的粒子群算法 |
| 4.1.3 IPSO-SVM模型的分类效果验证 |
| 4.2 基于SVM的光电探测系统故障诊断结果 |
| 4.2.1 基于SVM的 PMT模块故障诊断结果 |
| 4.2.2 基于SVM的电流放大器故障诊断结果 |
| 4.3 基于BP神经网络的光电探测系统故障诊断结果 |
| 4.3.1 BP神经网络的设计 |
| 4.3.2 基于BP神经网络的PMT模块故障诊断结果 |
| 4.3.3 基于BP神经网络的电流放大器故障诊断结果 |
| 4.4 本章小结 |
| 第五章 总结和展望 |
| 5.1 总结 |
| 5.2 展望 |
| 参考文献 |
| 攻读硕士学位期间的学术活动及成果情况 |
（8）基于PCA-SVM的模拟信号转换板卡故障诊断系统设计及FPGA实现（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 第1章 绪论 |
| 1.1 课题研究的背景和意义 |
| 1.2 国内外发展历史及现状 |
| 1.2.1 模拟电路故障诊断技术的国内外研究历史及现状 |
| 1.2.2 模拟电路故障诊断系统的硬件实现研究 |
| 1.3 本文研究的主要内容 |
| 第2章 基于PCA-SVM的故障诊断方法 |
| 2.1 支持向量机 |
| 2.1.1 支持向量机的基本特性 |
| 2.1.2 支持向量机原理 |
| 2.1.3 多分类支持向量机 |
| 2.1.4 基于支持向量机的模拟电路故障诊断算法分析 |
| 2.2 模拟电路的故障特征 |
| 2.2.1 故障特征的选择 |
| 2.2.2 特征数据的标准化 |
| 2.2.3 故障特征的提取 |
| 2.3 PCA-SVM的故障诊断方法流程 |
| 2.4 本章小结 |
| 第3章 故障诊断系统总体设计 |
| 3.1 系统需求 |
| 3.1.1 系统设计的内容及步骤 |
| 3.1.2 系统的需求分析 |
| 3.2 技术难点研究 |
| 3.3 系统总体架构 |
| 3.4 系统总体工作流程 |
| 3.5 本章小结 |
| 第4章 基于FPGA的模拟电路故障诊断系统的实现 |
| 4.1 FPGA开发与设计流程 |
| 4.1.1 FPGA技术简介 |
| 4.1.2 FPGA开发流程 |
| 4.2 PCA-SVM算法的FPGA实现 |
| 4.2.1 样本数据的标准化设计 |
| 4.2.2 PCA降维设计 |
| 4.2.3 SVM故障诊断设计 |
| 4.3 模拟电路故障诊断系统的硬件设计 |
| 4.3.1 FPGA电路设计 |
| 4.3.2 数据存储电路设计 |
| 4.3.3 AD采集电路设计 |
| 4.3.4 LCD显示电路设计 |
| 4.3.5 模拟电路激励源设计 |
| 4.3.6 按键控制电路设计 |
| 4.4 模拟电路故障诊断系统的软件设计 |
| 4.4.1 NAND Flash存储控制器的设计 |
| 4.4.2 SDRAM控制器的设计 |
| 4.4.3 AD采集模块软件设计 |
| 4.4.4 LCD显示模块软件设计 |
| 4.4.5 激励源控制模块设计 |
| 4.5 本章小结 |
| 第5章 故障诊断系统仿真与测试 |
| 5.1 模拟信号转换电路的Pspice仿真分析 |
| 5.1.1 Pspice仿真简介 |
| 5.1.2 两类模拟信号转换板卡电路分析 |
| 5.1.3 两类模拟信号转换电路的仿真 |
| 5.1.4 板卡故障状态仿真 |
| 5.2 Matlab仿真验证及参数提取 |
| 5.3 系统展示与验证 |
| 5.4 本章小结 |
| 第6章 总结与展望 |
| 6.1 总结 |
| 6.2 展望 |
| 致谢 |
| 参考文献 |
| 作者在攻读硕士学位期间的研究成果 |
（9）基于优化神经网络的模拟电路故障诊断方法研究（论文提纲范文）
| 摘要 |
| Abstract |
| 第一章 绪论 |
| 1.1 课题背景及研究意义 |
| 1.2 模拟电路故障诊断的发展历程 |
| 1.2.1 模拟电路故障诊断的国外发展历程 |
| 1.2.2 模拟电路故障诊断的国内发展历程 |
| 1.3 模拟电路故障诊断的研究方法分析 |
| 1.3.1 诊断方法总结与分析 |
| 1.3.2 模拟电路故障数据获取方法分析 |
| 1.3.3 故障特征提取方法分析 |
| 1.4 本文研究内容 |
| 第二章 基础理论与技术 |
| 2.1 模拟电路故障诊断 |
| 2.1.1 模拟电路故障诊断的任务 |
| 2.1.2 模拟电路故障分类 |
| 2.2 小波包理论概述 |
| 2.2.1 多分辨解析与小波分解 |
| 2.2.2 小波包分解 |
| 2.2.3 小波包阈值去噪 |
| 2.3 BP神经网络概述 |
| 2.4 本章小结 |
| 第三章 基于SLPS的模拟电路故障数据自动生成平台设计 |
| 3.1 引言 |
| 3.2 基于SLPS的模拟电路故障数据自动生成平台搭建 |
| 3.2.1 建立联合仿真模型 |
| 3.2.2 建立电路故障表 |
| 3.2.3 编写全自动故障植入功能函数 |
| 3.2.4 模拟电路健康状态数据获取 |
| 3.2.5 模拟电路故障状态数据获取 |
| 3.2.6 数据自动化生成平台封装 |
| 3.3 实验分析 |
| 3.4 本章小结 |
| 第四章 基于主元分析的多信息融合故障特征提取 |
| 4.1 基于小波包理论的故障特征提取 |
| 4.2 基于信息统计理论的故障特征提取 |
| 4.3 基于主元分析的多信息融合特征提取 |
| 4.4 仿真实验 |
| 4.5 本章小结 |
| 第五章 基于优化神经网络的模拟电路故障诊断 |
| 5.1 基于BP神经网络的模拟电路故障诊断 |
| 5.2 基于GA-BP神经网络的模拟电路故障诊断 |
| 5.2.1 遗传算法的基本概念和运行步骤 |
| 5.2.2 遗传算法优化神经网络 |
| 5.2.3 仿真实验 |
| 5.3 基于GA-BP神经网络的模拟电路故障诊断 |
| 5.3.1 量子遗传算法概述 |
| 5.3.2 量子遗传算法优化神经网络 |
| 5.3.3 仿真实验 |
| 5.4 本章小结 |
| 第六章 总结与展望 |
| 6.1 论文总结 |
| 6.2 展望 |
| 参考文献 |
| 在学期间取得的科研成果和科研情况说明 |
| 致谢 |
（10）子空间学习算法在模拟电路故障诊断中的应用（论文提纲范文）
| 致谢 |
| 摘要 |
| ABSTRACT |
| 第一章 绪论 |
| 1.1 研究背景及意义 |
| 1.2 国内外研究现状 |
| 1.2.1 传统模拟电路故障诊断方法 |
| 1.2.2 现代模拟电路故障诊断方法 |
| 1.2.3 模拟电路故障特征提取方法 |
| 1.3 本文的研究内容及安排 |
| 1.3.1 本文的主要内容 |
| 1.3.2 本文的结构安排 |
| 第二章 子空间学习算法相关理论 |
| 2.1 子空间学习算法综述 |
| 2.2 线性子空间学习算法 |
| 2.2.1 主成分分析(Principal Component Analysis, PCA) |
| 2.2.2 线性判别法(Linear Discriminant Analysis, LDA) |
| 2.2.3 随机投影(Random Projection,RP) |
| 2.3 基于核方法的子空间学习算法 |
| 2.3.1 核方法 |
| 2.3.2 核主成分分析(Kernel Principal Component Analysis,KPCA) |
| 2.3.3 核熵成分分析(Kernel Entropy Component Analysis,KECA) |
| 2.4 流形学习概述 |
| 2.4.1 关于流形的一些定义 |
| 2.4.2 流形学习的一般模式 |
| 2.4.3 流形学习方法的分类 |
| 2.4.4 试验数据集介绍 |
| 2.5 基于距离保持的流形学习算法 |
| 2.5.1 多维尺度分析(Multidimensional Scaling,MDS) |
| 2.5.2 等距映射算法(Isometric Mapping,ISOMAP) |
| 2.5.3 极大方差展开(Maximum Variance Unfolding,MVU) |
| 2.5.4 随机近邻嵌入(Stochastic Neighbor Embedding,SNE) |
| 2.6 基于拓扑保持的流形学习算法 |
| 2.6.1 局部线性嵌入算法(Locally Linear Embedding,LLE) |
| 2.6.2 邻域保持嵌入算法(Neighborhood Preserving Embedding,NPE) |
| 2.6.3 拉普拉斯特征映射(Laplacian Eigenmaps,LE) |
| 2.6.4 局部保持投影(Locality Preserving Proj ection,LPP) |
| 2.6.5 局部切空间排列(Local Tangent Space Alignment,LTSA) |
| 2.6.6 Hessian特征映射(Hessian-LLE,HLLE) |
| 2.6.7 局部样条嵌入(Local Spline Embedding, LSE) |
| 2.7 流形学习算法图嵌入框架 |
| 2.7.1 框架介绍 |
| 2.7.2 流形算法的图嵌入 |
| 2.8 仿真实例 |
| 2.8.1 Swiss Roll数据集 |
| 2.8.2 Swiss Hole数据集 |
| 2.8.3 Corner Planes数据集 |
| 2.8.4 Punctured Sphere数据集 |
| 2.8.5 3D Clusters数据集 |
| 2.8.6 Toroidal Helix数据集 |
| 2.9 本章小结 |
| 第三章 基于核方法的子空间学习算法的模拟电路特征提取与故障诊断 |
| 3.1 核概率密度估计 |
| 3.1.1 —维随机变量核概率密度估计 |
| 3.1.2 多维随机变量核概率密度估计 |
| 3.1.3 高阶核概率密度估计 |
| 3.2 基于全带宽矩阵的核概率密度估计Renyi熵 |
| 3.2.1 Renyi熵的一个新估计 |
| 3.2.2 估计的无偏性 |
| 3.2.3 全带宽矩阵的选取 |
| 3.2.4 仿真试验 |
| 3.3 基于高阶核的核概率密度估计在KECA中的应用 |
| 3.3.1 Renyi熵的偏差校正 |
| 3.3.2 核特征空间中统计量的分析 |
| 3.4 改进的KECA在模拟电路故障诊断中的应用 |
| 3.4.1 故障特征提取 |
| 3.4.2 故障模式识别 |
| 3.4.3 故障诊断流程 |
| 3.5 诊断实例 |
| 3.5.1 诊断电路和故障设置 |
| 3.5.2 诊断结果 |
| 3.6 本章小结 |
| 第四章 基于流形算法的子空间学习算法的模拟电路故障诊断 |
| 4.1 理论背景 |
| 4.1.1 图的数学描述 |
| 4.1.2 图上的随机游走(Random Walk) |
| 4.1.3 图上的扩散过程 |
| 4.2 扩散映射 |
| 4.2.1 扩散映射(Diffusion Maps) |
| 4.2.2 扩散距离 |
| 4.3 基于扩散距离的若干流形算法 |
| 4.3.1 ISOMAP—DD算法 |
| 4.3.2 基于扩散距离的其它流形算法 |
| 4.4 基于两阶段的流形算法在模拟电路故障诊断中的应用 |
| 4.4.1 故障特征提取 |
| 4.4.2 故障诊断流程 |
| 4.5 诊断实例 |
| 4.5.1 诊断电路 |
| 4.5.2 故障设置 |
| 4.6 诊断结果 |
| 4.6.1 单个流形学习算法提取故障特征 |
| 4.6.2 其它子空间算法提取故障特征 |
| 4.6.3 两阶段流形算法提取故障特征 |
| 4.6.4 算法的分类性能比较 |
| 4.7 算法有效性分析 |
| 4.7.1 原始故障数据 |
| 4.7.2 中级特征故障数据 |
| 4.8 本章小结 |
| 第五章 基于信息理论学习准则的子空间学习算法的模拟电路故障诊断 |
| 5.1 半二次正则化方法 |
| 5.2 代价函数中的准则函数 |
| 5.2.1 最小均方误差准则(Minimum Mean Square Error,MMSE) |
| 5.2.2 最大相关熵准则(Maximum Correntropy Criterion,MCC) |
| 5.2.3 最小误差熵准则(Minimum Error Entropy,MEE) |
| 5.3 不同准则关系 |
| 5.3.1 MMSE与MCC |
| 5.3.2 MEE与MCC |
| 5.3.3 仿真试验 |
| 5.4 基于MCC和扩散距离的LLE算法 |
| 5.4.1 基于MCC的局部线性嵌入(LEE-MCC, LEE based on MCC) |
| 5.4.2 基于MCC和DD的LLE算法(LEE-DD-MCC, LEE based onDiffusion Distance and MCC) |
| 5.5 基于MCC和扩散距离的LLE算法的仿真实例 |
| 5.5.1 试验数据集及噪声 |
| 5.5.2 试验结果 |
| 5.6 基于MCC的LLE算法在模拟电路故障诊断中的应用 |
| 5.6.1 故障特征提取 |
| 5.6.2 故障诊断流程 |
| 5.7 基于LLE-MCC的模拟电路故障诊断实例 |
| 5.7.1 诊断电路 |
| 5.7.2 诊断结果 |
| 5.8 本章小结 |
| 第六章 总结与展望 |
| 6.1 本文总结 |
| 6.2 研究展望 |
| 参考文献 |
| 攻读博士学位期间的学术活动及成果情况 |
四、现代模拟电路故障诊断方法发展综述（论文参考文献）
- [1]基于深度置信网络的模拟电路间歇故障检测[D]. 叶志伟. 江西理工大学, 2021(01)
- [2]基于深度学习的模拟电路故障诊断研究[D]. 王瀚晨. 北方工业大学, 2020(02)
- [3]基于形式概念分析的模拟电路故障诊断研究[D]. 豆震泽. 北方工业大学, 2020(02)
- [4]云模型优化的模拟电路故障诊断智能方法研究[D]. 李峰. 桂林电子科技大学, 2020(02)
- [5]电路故障诊断方法下的锂电池健康状态管理研究[D]. 李敬. 桂林电子科技大学, 2020(02)
- [6]基于深度信念网络和神经网络的模拟电路故障诊断[D]. 姚瑶. 合肥工业大学, 2020(02)
- [7]基于支持向量机和神经网络的光电探测系统故障诊断研究[D]. 霍龙龙. 合肥工业大学, 2020(02)
- [8]基于PCA-SVM的模拟信号转换板卡故障诊断系统设计及FPGA实现[D]. 安蒙强. 武汉理工大学, 2020(08)
- [9]基于优化神经网络的模拟电路故障诊断方法研究[D]. 李洪祥. 天津理工大学, 2020(05)
- [10]子空间学习算法在模拟电路故障诊断中的应用[D]. 袁志杰. 合肥工业大学, 2019(01)