一、基于模式识别原理的模拟电路故障诊断神经网络方法（论文文献综述）
单帅帅,马清峰,谢雯鑫[1]（2021）在《基于小波包能量谱和ICA的模拟电路故障特征提取方法》文中指出针对模拟电路故障特征提取困难问题,提出一种基于小波包能量谱与独立成分分析相结合的模拟电路故障特征提取方法。首先通过仿真获取电路的故障输出信号,采用小波包分析对输出信号进行分解与重构,通过重构系数求取各频带的能量作为故障特征值。再利用独立成分分析算法对故障特征值进行优化,以此构造反映电路故障的特征向量。最后构造支持向量机,输入故障特征向量进行训练和测试,得出电路故障诊断准确率。仿真结果表明,该方法可以有效提取能够表征电路故障的特征参数,诊断准确率可达95.7%。
崔业梅[2]（2021）在《BP神经网络实现模拟电路故障诊断的LabVIEW仿真》文中提出为了实现模拟电路的故障诊断,利用Multisim软件的蒙特卡罗分析,在给定电路元器件参数容差的统计分布规律的情况下,其随机采样序列参数由一组伪随机数产生,并用得到的元器件参数来模拟所设计电路的功能。结合电路故障设置,建立了模拟电路故障数据集,利用LabVlEW软件提供的MATLAB script节点进行编程,调用MATLAB软件的神经网络工具箱构建BP神经网络,利用数据集对BP神经网络进行训练,把训练好的模型用于模拟电路故障诊断,通过理论分析等保证了系统的可靠性和准确性,仿真效果好。
常国祥,张京[3]（2021）在《基于深度学习的模拟电路软故障诊断》文中研究说明为降低模拟电路软故障特征提取与分类的人工成本,提高软故障诊断的通用性,提出一种基于深度学习的软故障特征提取方法。利用通道注意力机制对深度学习中的卷积神经网络进行改进,将时域电压波形数据输入至改进的卷积神经网络中进行卷积池化,实现数据降维和故障特征提取,并利用注意力机制对所得的故障特征进行深度选择,突出通道内关键的故障特征,抑制不重要的特征,最终使用Softmax分类器对故障特征分类。针对四运放双二次高通滤波器进行故障诊断,故障诊断平均准确率为98%。实验结果表明改进的卷积神经网络模型可以实现对模拟电路的故障诊断,并避免了传统故障识别耗费大量人工的故障提取和选择。
陈叶,廖耀华,王恩,朱梦梦,李博,陈寅生,林海军[4]（2021）在《基于Volterra核的MIMO非线性电路建模及智能特征提取》文中研究说明为了解决模拟乘法器等多输入测量电路的智能故障诊断准确率低的问题,文中研究了多输入多输出（MIMO）电路的基于Volterra级数的建模方法,为电路的故障诊断提供模型,提出了整体退火遗传特征提取方法,利用整体退火遗传算法的全局寻优能力优化故障诊断特征参数的提取,以选出各种故障状态之间特征差异最大的特征,以提高故障诊断的准确率,以模拟乘法器电路为例进行了建模及故障特征智能优化提取实验。实验表明,文中方法可以有效建模并提高智能故障诊断的准确率。
胡瑞卿[5]（2021）在《无人机飞行姿态的故障检测方法研究》文中研究指明无人机飞行姿态的稳定影响着无人机的任务可靠性以及工作效率,在执行飞行任务的过程中,当无人机的飞行出现姿态错误时,传感器测量的数据会偏离正常值,因此对传感器信号的故障检测是无人机飞行姿态故障判断的重要指标。本文将无人机飞行姿态作为课题研究对象,采用小波分析、主元分析以及BP神经网络方法实现故障检测,以下几个方面为本文的主要研究内容:（1）针对采集数据受噪声影响较大、误报率较高的不足,本文采用小波分析法对测量信号进行信号处理以及故障检测。通过设置正常、突变和慢变三种状态,使用小波阈值降噪法减小噪声对信号的影响,结合信噪比判断降噪效果,再将去噪后信号的高频分量通过模极大值原理识别异常点,完成对无人机飞行姿态的故障检测。（2）针对用单一变量故障检测可能造成检测误报的问题,提出了一种融合小波去噪与主元分析法的故障检测方法,在减少变量个数的同时留下数据的主要信息。利用小波去噪提高检测精度,采用基于主元分析法的故障检测算法对传感器数据进行实时检测,利用统计量的变化情况来判断是否运行正常、检测出现故障的时刻,并且借助变量对统计量的贡献来识别故障变量。（3）针对传统故障检测方法检测非线性系统的局限性,提出了一种融合小波去噪与BP神经网络的故障检测方法。由于无人机的飞行姿态与无人机飞行时传感器测量数据之间存在复杂的非线性关系,结合小波去噪提高检测精度,以实验数据为样本对3层BP网络进行训练,通过输出值与实际值的对比进行结果分析,根据算法的计算结果实现对无人机飞行姿态的故障检测。（4）由于使用小波去噪与BP神经网络结合的故障检测方法存在耗时较长、易陷于局部最优等不足,提出了基于遗传算法优化BP神经网络的故障检测算法。本文主要优化神经网络的权阈值,并对相同样本进行学习训练,测试结果表明,准确率达到了 95.6%。对比两种故障检测方法可知,训练迭代次数分别在820和473达到收敛标准。故障检测方法经过遗传算法的优化,提高了故障检测准确率,减少耗时。
温思成[6]（2021）在《小电流单相接地故障选线方法的研究》文中进行了进一步梳理在电力系统中,依据中性点接地方式的不同,分为小电流接地和大电流接地。在我国,小电流接地方式应用于大多中低压配电网。其中,小电流接地系统可分为中性点不接地系统、中性点经消弧线圈接地系统和中性点经大电阻接地系统。我国主要采用上述的前两种方式。而单相接地故障在小电流接地系统总体故障中发生的比例高达80%以上。但因发生接地故障时,外界干扰因素较多,而故障电流的幅值又比较小,对故障选线带来很大的困难。所以,研究一种准确率高且适用性强的选线方法具有十分重要的意义。通过分析可知,只依据单独故障特征来判断线路是否发生故障已经不再适用和准确。因此本文从线路发生故障前后零序电流的暂、稳态,以及其他波形特征出发,提出一种基于主成分分析和支持向量机联合的小电流接地故障选线新方法。本文首先对我国主要采用的两种接地系统进行理论分析,对发生单相接地故障时两种系统中各自电气量的变化进行了解;利用Matlab/Simulink工具箱搭建系统仿真模型,通过模拟多种常见故障并与理论分析结果进行对比,验证了模型的准确性同时得到故障数据,为选线算法提供数据支持;接着采用控制变量法的思想,利用信噪比和均方根误差做为降噪质量评判指标,最终选取dB8小波作为小波基函数,分解层数为6层对带噪线路信号进行去噪处理。对去噪后的信号采用主成分分析进行特征提取,最终确定4组表征能力最强的故障特征。最后采用最小二乘支持向量机建立故障线路分类模型,利用改进的果蝇算法对模型参数进行优化处理,实验结果表明该算法不受接地方式的影响,且故障选线正确率达到92%以上。为验证该算法的有效性和适用性,在实验室搭建不接地系统故障模拟电路,通过采集模拟电路中故障数据对该算法进行测试。通过测试结果得出如下结论:本文算法充分结合了稳态、暂态时期二者的特点,能够识别母线、馈线故障,且不受故障距离、接地角度、过渡电阻、噪声、接地方式的影响,验证了该方法的有效性和适用性。
姚瑶[7]（2020）在《基于深度信念网络和神经网络的模拟电路故障诊断》文中研究指明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。
陈轶[8]（2014）在《基于BP神经网络的模拟电路故障诊断》文中指出随着现代化工业的发展，传统的故障诊断方法体现出了较大的局限性。而人工智能技术的发展却带来了这一研究领域新的思路和方法，特别是人工神经网络的最新研究极大的推动了模拟电路故障诊断的发展。目前在模拟电路故障诊断中多采用BP神经网络。这是由于BP神经网络高度的并行处理信息的能力致使其在诊断模拟电路故障时测后诊断速度快，实时性强。本文通过研究BP算法的理论基础，分析BP算法的运行机理，研究传统BP算法在解决模拟电路故障诊断问题的性能，提出了改进方法，并在Matlab运行环境中实现模拟电路故障诊断问题。本文将以“模拟电路故障诊断——BP算法——故障特征提取——Matlab——优化BP算法”为主线。全文共分以下几部分：⑴BP算法的简介和基本原理；⑵故障特征提取的方法研究；⑶基于BP算法的模拟电路故障诊断问题的求解；⑷通过实验数据比较BP算法和优化后的BP算法的性能。本文用LED调光灯电路为例，研究了基于BP网络的诊断系统的构成提出了相应的诊断流程；同时也研究了常用的数据预处理方法，通过设计的2组实验分别验证了传统BP网络与基于附加动量法的改进型的BP网络性能的对比；以及基于PCA的改进型的BP网络对于实例电路的故障诊断的可行性研究。
李晴[9]（2013）在《基于优化机器学习算法的模拟电路故障诊断研究》文中研究指明模拟电路故障诊断理论和方法的研究是目前研究的热门课题。现代电子技术正在日新月异的高速发展，电路规模和结构日趋模块化和功能化，给模拟电路故障诊断提出了新的更具挑战性的要求。从本质上来看，模拟电路的故障诊断问题，属于一种模式识别问题。当前，模拟电路故障诊断研究中的两大问题是如何提取信号特征和如何建立诊断机的问题。小波理论的出现和发展，机器学习算法的日益成熟，使得利用小波对故障信号进行预处理，再利用机器学习算法来进行故障诊断成为有效和值得研究的解决方法，为模拟电路的故障诊断提供了新的有效途径。神经网络和支持向量机均为机器学习领域非常流行的方法。神经网络的优化原理是基于经验风险最小化，缺点是易陷入局部最优，但在处理大样本情况时性能很好；而支持向量机有严格的理论和数学基础，基于结构风险最小化原则,泛化能力优于前者，且算法具有全局最优性,但目前主要是一种针对小样本统计的理论算法。因此本文在对遗传免疫算法、蚁群算法、小波分析、神经网络和支持向量机进行研究的基础上，深入探讨了模拟电路故障诊断神经网络方法和向量机方法存在的问题，提出一些新的融合算法用于对故障诊断分类器进行优化。而利用小波分析作为神经网络的预处理手段，进行信号的前置处理也是目前研究的热点，可以更好的提取故障信号的特征向量。适用合适的特征向量输入分类器进行故障诊断，可以提高诊断速度并得到更高的诊断正确率。基于此，本文也提出一种新的故障特征小波提取方法，并在实例中将得到的故障特征值输入神经网络完成故障诊断。本文最后还介绍了基于模拟电路故障诊断神经网络理论而研发的自动测试与诊断系统装备的相关技术方案，完成了模拟电路故障诊断神经网络方法从理论到实践的完整过程。本文的主要内容和创新点主要体现在以下几个方面：1．对模拟电路故障诊断的神经网络方法进行了研究。在分析和阐述了神经网络各种学习规则及用算法原理的基础上，着重介绍了BP网络和RBF网络，以及使用神经网络进行模拟电路故障诊断的方法，并详细分析和比较了两者各自的优缺点和适用的场合。2.对小波神经网络的模拟电路故障诊断方法进行了研究，并提出新的故障特征提取方法。小波的突出优点，是有良好的时频局部性，因此，可将小波作为故障诊断信号的预处理器，先利用小波变换来对电路测试节点的电压信号进行消噪和分解。本文针对分解后的小波系数，提出一种提取故障特征的方法，即小波系数各分量均方根法。具体操作方法是对消噪和分解后的信号进行小波变换，分别计算其小波系数各分量的均方根，然后再进行主元分析与归一化处理，将得到的数据作为故障特征，对神经网络进行训练，再用训练后的神经网络来进行故障分类，完成故障诊断过程。本文通过诊断实例对此方法进行了详细阐述，并通过诊断结果验证了方法的有效性和实用性。3.提出一种新的模拟电路故障诊断的优化神经网络方法。本文针对RBF网络核函数参数难以选择的缺点，提出一种新的优化算法——免疫蚁群算法，并将其用于RBF网络参数的寻优过程。接下来将通过优化得到的RBF网络用于模拟电路故障诊断，通过实例给出详细的训练算法。该方法在对免疫算法、蚁群算法进行深入研究的基础上，提出使用注入免疫因子的蚁群来实现对RBF网络核函数参数的寻优，新算法引入免疫算法的“抗体浓度”概念，使算法既具有全局搜索的能力，又提高了收敛性能，在充分搜索寻优空间的同时，提高算法的运行时间。本文对免疫蚁群算法和传统算法进行了比较，并通过诊断实例将免疫蚁群算法用于优化RBF神经网络。实例证明,同遗传神经网络进行比较，这种新的免疫蚁群RBF网络有较少的计算工作量，可以在更快的收敛速度下得到更高的诊断正确率。4.研究了支持向量机（Support Vector Machine,SVM）用做分类器的一般方法和过程，并提出了一种基于改进蚁群算法对向量机核函数进行优化的算法。支持向量机有扎实的理论基础，和传统的神经网络相比，算法的效率和精度都比较高。但SVM目前在处理海量数据和多分类问题时还存在一些困难，尤其是目前尚无成熟完善的理论来指导选择对分类器性能起关键作用的参数。基于此，本章提出了利用改进蚁群算法进行SVM核函数参数的寻优，利用蚁群算法的良好优化性能，减少SVM的训练量，再用SVM形成故障分类器，达到对故障进行快速诊断的目的。本章最后给出了将优化后的SVM应用于模拟电路故障诊断的仿真实例，并与使用传统双线性搜索法得到参数的SVM故障诊断进行了比较，证明了此方法的有效性、合理性和性能优势。5.描述基于DSP控制的自动测试与诊断系统（Automatic Test and DiagnosisSystem, ATS）的技术方案。在模拟电路故障诊断理论与方法的指导下，本文介绍了系统的测试原理，硬件结构和软件实现，给出了基于DSP控制的主板模块、激励源模块、数字测试模块、PCB模块的基本原理以及硬软件实现方案。
罗琨[10]（2011）在《基于小波分析和人工神经网络的容差模拟电路故障诊断》文中研究说明随着电路网络规模和结构日趋复杂以及大规模集成电路的广泛应用，如何运用高效的诊断技术对大规模容差电路进行准确的故障诊断是目前实际工程急需解决的问题，也是模拟电路故障诊断理论的发展趋势。经过多年的发展，模拟电路故障诊断作为一门融合多个学科和领域的理论、技术和方法的综合性学科，已经形成了一系列的诊断理论和方法，但由于模拟电路的容差性、非线性以及其故障的多样性和复杂性，使得目前诊断容差模拟电路的故障的方法还十分有限，所以还需要探索新的模拟电路故障诊断方法。近年来，小波分析理论和人工神经网络理论发展迅速，并在许多研究领域开展了广泛应用。将小波分析理论和人工神经网络理论相结合应用于模拟电路故障诊断为模拟电路故障诊断开辟了一条有效途径，这也是目前热门的研究课题且倍受关注。本文以小波分析和人工神经网络为理论基础，利用小波良好时频局部特性，对模拟电路故障信号的进行预处理，并提取故障信号的特征向量；利用人工神经网络模式分类能力强的特性，对各类故障进行模式识别，并通过诊断实例证明了所提出方法的正确性。本文的主要创新内容有以下几点：一、研究了模拟电路故障诊断的人工神经网络方法，分析并阐述了应用神经网络进行模拟电路故障诊断的步骤；研究了应用BP神经网络诊断模拟电路故障的优势和不足，提出了一种改进的BP神经网络模型并将这种改进后的BP神经网络应用用于模拟电路故障诊断。二、研究了基于小波分析的模拟电路故障诊断的方法，利用小波良好的时频局部特性，对采集的模拟电路故障信号的进行小波分析预处理，提取处理后信号的特征参数作为神经网络的输入样本，并对神经网络进行训练，从而实现对模拟电路的故障诊断，达到识别各种故障的目的。三、研究了基于S变换和小波神经网络的容差模拟电路故障诊断的方法，利用S变换时窗宽度随频率变化和良好的时频局部特性，对模拟电路的故障信号进行分析处理并提取特征向量；构造了一种以小波基函数代替BP神经网络中的激励函数的小波神经网络，以该神经网络为分类器进行模拟电路故障诊断；并研究了这种方法在噪声干扰、故障特征向量重叠率高、测试节点不足的情况下进行容差模拟电路故障诊断的效果。
二、基于模式识别原理的模拟电路故障诊断神经网络方法（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、基于模式识别原理的模拟电路故障诊断神经网络方法（论文提纲范文）
（1）基于小波包能量谱和ICA的模拟电路故障特征提取方法（论文提纲范文）
| 0 引 言 |
| 1 小波包 |
| 1.1 小波包分解理论 |
| 1.2 小波包能量谱 |
| 2 ICA独立成分分析 |
| 2.1 ICA分析原理 |
| 2.2 WP-ICA融合 |
| 3 故障实例分析 |
| 3.1 电路实例流程 |
| 3.2 故障信号特征提取 |
| 3.3 诊断分析 |
| 4 结 论 |
（2）BP神经网络实现模拟电路故障诊断的LabVIEW仿真（论文提纲范文）
| 0 引言 |
| 1 模拟电路故障数据集的制作 |
| 2 Lab Vl EW软件的MATLAB script节点编程 |
| 3 BP神经网络MATLAB实现 |
| 4 Lab VIEW软件与MATLAB联合调试 |
| 5 结语 |
（3）基于深度学习的模拟电路软故障诊断（论文提纲范文）
| 0 引言 |
| 1 卷积神经网络 |
| 1.1 局部连接 |
| 1.2 权值共享 |
| 1.3 池化 |
| 2 通道注意力机制 |
| 3 网络结构 |
| 4 网络参数 |
| 5 故障诊断 |
| 5.1 Shallen-Key带通滤波器电路 |
| 5.2 四运放双二次高通滤波器 |
| 6 结束语 |
（4）基于Volterra核的MIMO非线性电路建模及智能特征提取（论文提纲范文）
| 0 引 言 |
| 1 MIMO非线性电路的Volterra核建模 |
| 1.1 MIMO的Volterra级数描述 |
| 1.2 MIMO的Volterra频域核的参数辨识 |
| 1.3 GFRF的非参数辨识 |
| 2 电路GFRF的整体退火遗传特征提取 |
| 2.1 整体退火遗传算法 |
| 2.2 基于WAGA的特征提取 |
| 3 乘法电路的建模与故障特征提取实验 |
| 3.1 实验电路简介 |
| 3.2 四象限乘法器的非参数建模、提取及验证 |
| 4 结束语 |
（5）无人机飞行姿态的故障检测方法研究（论文提纲范文）
| 摘要 |
| Abstract |
| 1 绪论 |
| 1.1 研究背景与意义 |
| 1.2 故障检测技术的发展现状 |
| 1.3 国内外研究现状 |
| 1.4 课题主要研究内容以及章节安排 |
| 1.4.1 本课题主要研究内容 |
| 1.4.2 章节安排 |
| 2 基于小波分析的无人机故障检测算法 |
| 2.1 小波分析原理 |
| 2.1.1 连续小波变换 |
| 2.1.2 离散小波变换 |
| 2.2 最佳小波基的选择 |
| 2.3 基于小波多尺度分析的故障特征提取 |
| 2.4 最佳分解层数的选择 |
| 2.5 小波阈值降噪 |
| 2.5.1 阈值降噪原理 |
| 2.5.2 阈值量化 |
| 2.6 利用小波分析进行故障检测的方法 |
| 2.6.1 小波故障检测原理 |
| 2.6.2 基于小波去噪的特征提取方法 |
| 2.6.3 基于小波分析的无人机故障检测 |
| 2.6.4 实验数据分析 |
| 2.7 本章小结 |
| 3 融合小波去噪和PCA的无人机故障检测算法 |
| 3.1 主元分析方法 |
| 3.1.1 PCA的基本原理 |
| 3.1.2 主元分析算法 |
| 3.2 基于主元分析的故障检测方法 |
| 3.2.1 主元选取方法 |
| 3.2.2 故障检测统计量 |
| 3.2.3 各变量贡献的计算 |
| 3.2.4 综合统计量的故障检测 |
| 3.3 融合小波去噪与PCA的故障检测方法 |
| 3.3.1 融合小波去噪与PCA的故障检测步骤 |
| 3.3.2 实验数据分析 |
| 3.4 本章小结 |
| 4 融合小波去噪和BP神经网络的无人机故障检测算法 |
| 4.1 BP神经网络 |
| 4.1.1 BP神经网络原理 |
| 4.1.2 BP神经网络的特点以及局限性 |
| 4.2 故障检测的BP网络结构确定 |
| 4.2.1 BP网络层数的确定 |
| 4.2.2 输入输出层及隐含层节点个数的确定 |
| 4.2.3 激活函数的确定 |
| 4.3 无人机故障检测方案设计 |
| 4.4 融合小波去噪与BP神经网络的无人机故障识别与分析 |
| 4.4.1 BP神经网络的识别与分析 |
| 4.4.2 实验数据分析 |
| 4.5 本章小结 |
| 5 基于遗传算法优化BP神经网络的无人机故障检测算法 |
| 5.1 遗传算法的基本思想 |
| 5.2 遗传算法的基本操作 |
| 5.2.1 染色体编码 |
| 5.2.2 群体规模的设定 |
| 5.2.3 适应度函数值的计算 |
| 5.2.4 遗传操作的设计 |
| 5.3 遗传算法优化神经网络 |
| 5.4 实验数据分析 |
| 5.5 故障检测方法对比 |
| 5.6 本章小结 |
| 6 总结与展望 |
| 6.1 总结 |
| 6.2 展望 |
| 致谢 |
| 参考文献 |
| 攻读硕士学位期间主要学术成果 |
（6）小电流单相接地故障选线方法的研究（论文提纲范文）
| 摘要 |
| Abstract |
| 1 绪论 |
| 1.1 研究背景与意义 |
| 1.2 国内外研究现状 |
| 1.3 课题研究的主要内容 |
| 2 小电流系统接地故障特征分析 |
| 2.1 故障特征理论分析 |
| 2.1.1 不接地系统理论分析 |
| 2.1.2 谐振接地系统理论分析 |
| 2.2 模型建立及分析 |
| 2.2.1 模型建立 |
| 2.2.2 模型验证 |
| 2.2.3 仿真结果分析 |
| 2.3 本章小结 |
| 3 带噪接地故障信号的数据去噪 |
| 3.1 小电流接地故障信号噪声分析 |
| 3.1.1 噪声对线路数据特征提取的影响 |
| 3.1.2 含噪故障线路数据预处理 |
| 3.2 小波变换 |
| 3.2.1 小波变换基础理论 |
| 3.2.2 小波基函数及分解尺度的选取 |
| 3.2.3 小波变换在本文中的应用 |
| 3.3 本章小结 |
| 4 接地信号故障特征的提取与分析 |
| 4.1 各类型故障特征的提取 |
| 4.1.1 信号波形的基波特征量 |
| 4.1.2 信号波形的五次谐波分量 |
| 4.1.3 信号波形的有功分量 |
| 4.1.4 信号波形的小波能量 |
| 4.1.5 信号波形的峰值因子 |
| 4.1.6 信号波形的均值 |
| 4.1.7 信号波形的方差 |
| 4.2 主成分分析(PCA) |
| 4.3 主成分分析对接地故障特征的处理 |
| 4.4 本章小结 |
| 5 基于SVM理论的故障线路分类器设计及参数优化 |
| 5.1 最小二乘支持向量机 |
| 5.1.1 支持向量机(SVM) |
| 5.1.2 最小二乘支持向量机(LSSVM) |
| 5.2 基于LSSVM的分类器模型 |
| 5.3 基于改进果蝇算法的参数优化方法 |
| 5.3.1 果蝇算法(FOA) |
| 5.3.2 改进果蝇算法 |
| 5.4 基于改进果蝇算法的分类器模型参数优化 |
| 5.4.1 模型参数优化仿真 |
| 5.5 本章小结 |
| 6 小电流接地系统模拟实验电路 |
| 6.1 不接地系统故障模拟实验电路 |
| 6.2 数据采集系统 |
| 6.3 不接地系统故障的选线结果 |
| 6.4 本章小结 |
| 7 总结与展望 |
| 7.1 总结 |
| 7.2 展望 |
| 致谢 |
| 参考文献 |
| 攻读工程硕士学位期间主要成果 |
（7）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 |
（8）基于BP神经网络的模拟电路故障诊断（论文提纲范文）
| 中文摘要 |
| Abstract |
| 第一章 绪论 |
| 1.1 研究的背景和意义 |
| 1.2 模拟电路故障诊断的研究历史和现状 |
| 1.2.1 模拟电路故障诊断的研究历史 |
| 1.2.2 故障诊断的新发展 |
| 1.2.3 基于神经网络的模拟电路故障诊断的发展现状 |
| 1.3 本文的主要工作 |
| 第二章 模拟电路的故障诊断 |
| 2.1 模拟电路的故障诊断方法 |
| 2.1.1 故障产生的原因 |
| 2.1.2 故障的分类、特征及测试 |
| 2.1.3 故障诊断方法 |
| 2.2 基于模式识别的模拟电路故障诊断方法 |
| 2.2.1 模式识别原理 |
| 2.2.1.1 模式识别系统的典型构成 |
| 2.2.2 模拟电路故障诊断的模式识别方法 |
| 2.3 基于人工神经网络的模拟电路故障诊断方法 |
| 2.3.1 人工神经网络概述 |
| 2.3.1.1 神经网络的主要模型 |
| 2.3.1.2 神经网络的学习规则 |
| 2.3.2 神经网络在模拟电路故障诊断中的应用 |
| 2.4 小结 |
| 第三章 神经网络模拟电路故障诊断方法设计 |
| 3.1 BP 网络 |
| 3.1.1 BP 网络模型 |
| 3.1.2 BP 网络学习规则 |
| 3.1.3 BP 算法的改进 |
| 3.1.3.1 附加动量法 |
| 3.1.3.2 自适应调节学习率 |
| 3.1.3.3 累积误差校正算法 |
| 3.2 基于神经网络的诊断系统 |
| 3.2.1 系统的组成 |
| 3.2.2 数据预处理 |
| 3.2.2.1 归一化 |
| 3.2.2.2 主成分分析维度约简(PCA) |
| 3.2.2.3 人工神经网络训练及诊断 |
| 3.3 小结 |
| 第四章 实验数据与结果分析 |
| 4.1 诊断实例 |
| 4.2 BP 神经网络结构设计 |
| 4.3 BP 神经网络训练及诊断 |
| 4.4 基于 PCA 的 BP 神经网络训练及诊断 |
| 4.5 小结 |
| 第五章 总结和展望 |
| 参考文献 |
| 致谢 |
（9）基于优化机器学习算法的模拟电路故障诊断研究（论文提纲范文）
| 摘要 |
| Abstract |
| 第1章 绪论 |
| 1.1 模拟电路故障诊断技术研究的背景 |
| 1.2 模拟电路故障诊断方法的研究意义 |
| 1.3 模拟电路故障诊断方法的研究现状 |
| 1.4 本文的主要研究内容及结构安排 |
| 第2章 模拟电路故障诊断的神经网络方法 |
| 2.1 引言 |
| 2.2 人工神经网络基本研究 |
| 2.2.1 神经网络的研究概述 |
| 2.2.2 神经网络的发展与在模拟电路故障诊断中的应用 |
| 2.2.3 神经网络的分类 |
| 2.2.4 神经网络的性能和学习规则 |
| 2.3 BP 神经网络的研究 |
| 2.3.1 BP 神经网络结构模型和学习规则 |
| 2.3.2 传统 BP 算法的局限性 |
| 2.3.3 BP 神经网络在模拟电路故障诊断中的应用 |
| 2.4 RBF 神经网络的研究 |
| 2.4.1 RBF 神经网络模型及算法 |
| 2.4.2 RBF 网络在模拟电路故障诊断中的设计 |
| 2.5 BP 神经网络和 RBF 神经网络的比较 |
| 2.5.1 网络结构 |
| 2.5.2 训练时间 |
| 2.5.3 样本数量 |
| 2.5.4 逼近性能 |
| 2.6 本章小结 |
| 第3章 模拟电路故障诊断的小波神经网络法 |
| 3.1 引言 |
| 3.2 小波理论研究 |
| 3.2.1 小波理论概述与基本概念 |
| 3.2.2 小波算法 |
| 3.2.3 小波基的选择 |
| 3.2.4 小波分解与小波包 |
| 3.3 模拟电路故障诊断的小波神经网络方法 |
| 3.3.1 小波神经网络用于模拟电路故障诊断 |
| 3.3.2 基于小波系数均方根的故障特征提取方法 |
| 3.3.3 诊断实例 |
| 3.4 本章小结 |
| 第4章 模拟电路故障诊断的优化神经网络方法 |
| 4.1 引言 |
| 4.2 免疫算法 |
| 4.2.1 免疫算法概述 |
| 4.2.2 免疫算法相关概念 |
| 4.2.3 免疫算法的分类 |
| 4.2.4 免疫遗传算法原理 |
| 4.3 蚁群算法 |
| 4.3.1 基本概念与算法特点 |
| 4.3.2 基本原理与算法规则 |
| 4.3.3 实例 |
| 4.4 基于免疫蚁群 RBF 网络的模拟电路故障诊断 |
| 4.4.1 新的融合算法——免疫蚁群算法 |
| 4.4.2 免疫蚁群优化的 RBF 网络用于模拟电路故障诊断 |
| 4.5 ACS-IP 对 RBF 神经网络的优化实例 |
| 4.5.1 基本蚂蚁算法（AS）的优化过程 |
| 4.5.2 ACS-IP 的优化过程 |
| 4.6 优化 RBF 网络的模拟电路故障诊断实例 |
| 4.6.1 实例一 |
| 4.6.2 实例二 |
| 4.7 本章小结 |
| 第5章 基于改进蚂蚁算法优化的支持向量机故障诊断方法 |
| 5.1 引言 |
| 5.2 支持向量机概述 |
| 5.2.1 支持向量机基本原理 |
| 5.2.2 核函数和 VC 维 |
| 5.2.3 支持向量机与神经网络 |
| 5.2.4 SVM 用于模拟电路故障诊断 |
| 5.3 改进蚂蚁算法 |
| 5.4 优化 SVM 用于模拟电路故障诊断 |
| 5.5 计算机仿真实例 |
| 5.6 本章小结 |
| 第6章 基于 DSP 控制的神经网络自动测试与诊断系统 |
| 6.1 引言 |
| 6.2 ATS 实验装置系统的组成与基本功能 |
| 6.3 测试与诊断系统的设计 |
| 6.3.1 概述 |
| 6.3.2 基于 DSP 处理器的 ATS 设计 |
| 6.3.3 通信模块的设计与实现 |
| 6.3.4 激励源模块的设计与实现 |
| 6.3.5 数字测试模块设计与实现 |
| 6.3.6 模拟测试模块设计与实现 |
| 6.3.7 PCB 测试模块的设计与实现 |
| 6.4 本章小结 |
| 结论 |
| 参考文献 |
| 致谢 |
| 附录 A 攻读学位期间的主要成果 |
| 附录 B 攻读学位期间参与的科研课题 |
（10）基于小波分析和人工神经网络的容差模拟电路故障诊断（论文提纲范文）
| 摘要 |
| Abstract |
| 第1章 绪论 |
| 1.1 模拟电路故障诊断的背景与意义 |
| 1.2 模拟电路故障诊断的研究现状与发展 |
| 1.3 人工神经网络理论的发展 |
| 1.4 小波分析理论的发展 |
| 1.5 本文的主要工作 |
| 第2章 模拟电路故障诊断基本理论与方法 |
| 2.1 模拟电路故障诊断的基本理论 |
| 2.2 模拟电路故障诊断的基本方法及其分类 |
| 2.3 模拟电路故障的分类及特征提取方法 |
| 2.3.1 模拟电路的故障类型 |
| 2.3.2 模拟电路故障诊断的模式识别法 |
| 2.3.3 故障特征提取 |
| 2.4 本章小结 |
| 第3章 模拟电路故障诊断的人工神经网络方法 |
| 3.1 人工神经网络的基本原理 |
| 3.1.1 人工神经网络理论的基本特性 |
| 3.1.2 人工神经网络的结构与函数映射 |
| 3.1.3 人工神经网络的学习算法 |
| 3.2 人工神经网络的基本类型 |
| 3.2.1 BP 神经网络 |
| 3.2.2 径向基函数神经网络 |
| 3.2.3 Hopfield 神经网络 |
| 3.3 模拟电路故障诊断的 BP 神经网络方法实例 |
| 3.4 本章小结 |
| 第4章 模拟电路故障诊断的小波分析方法 |
| 4.1 小波分析的基本原理 |
| 4.1.1 小波变换及其时频特性 |
| 4.1.2 小波函数的基本类型 |
| 4.2 基于小波的故障特征提取 |
| 4.2.1 小波变换的分解与重构 |
| 4.2.2 特征提取的小波方法 |
| 4.3 基于小波变换的模拟电路故障诊断 |
| 4.3.1 诊断方法概述 |
| 4.3.2 诊断实例 |
| 4.4 本章小结 |
| 第5章 基于 S 变换的容差模拟电路故障诊断 |
| 5.1 S 变换的基本原理 |
| 5.2 故障特征提取的 S 变换方法 |
| 5.2.1 基于 S 变换的信号处理 |
| 5.2.2 特征提取 |
| 5.3 S 变换在容差模拟电路故障诊断中的应用 |
| 5.3.1 诊断方法概述 |
| 5.3.2 诊断实例 |
| 5.4 本章小结 |
| 结论 |
| 参考文献 |
| 致谢 |
| 附录 A 攻读学位期间所发表的学术论文目录 |
| 附录 B 攻读学位期间的获奖情况 |
四、基于模式识别原理的模拟电路故障诊断神经网络方法（论文参考文献）
- [1]基于小波包能量谱和ICA的模拟电路故障特征提取方法[J]. 单帅帅,马清峰,谢雯鑫. 电子测量技术, 2021
- [2]BP神经网络实现模拟电路故障诊断的LabVIEW仿真[J]. 崔业梅. 长江信息通信, 2021(09)
- [3]基于深度学习的模拟电路软故障诊断[J]. 常国祥,张京. 电气应用, 2021(09)
- [4]基于Volterra核的MIMO非线性电路建模及智能特征提取[J]. 陈叶,廖耀华,王恩,朱梦梦,李博,陈寅生,林海军. 电测与仪表, 2021(10)
- [5]无人机飞行姿态的故障检测方法研究[D]. 胡瑞卿. 西安理工大学, 2021(01)
- [6]小电流单相接地故障选线方法的研究[D]. 温思成. 西安理工大学, 2021(01)
- [7]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)
- [8]基于BP神经网络的模拟电路故障诊断[D]. 陈轶. 苏州大学, 2014(04)
- [9]基于优化机器学习算法的模拟电路故障诊断研究[D]. 李晴. 湖南大学, 2013(09)
- [10]基于小波分析和人工神经网络的容差模拟电路故障诊断[D]. 罗琨. 湖南大学, 2011(06)