一、GA混合参数寻优在电路参数容差分配中的应用（论文文献综述）
迮良佳[1]（2021）在《模拟电路信号特征分析及故障诊断算法优化》文中指出随着电子系统的应用领域日渐广泛,电子电路的复杂性和集成度不断加深,对电路测试技术的要求也越来越高。模拟电路作为电子电路系统的重要组成部分,对其故障诊断技术的优化是提高电子电路测试技术的必要途径。然而,由于模拟电路元件的容差性和非线性,以及可测节点有限等特性,以往的故障诊断方法难以取得理想的测试结果,因此有必要探索更高效的测试诊断方法。本文基于神经网络技术,结合小波包分析方法,针对模拟电路中的软故障问题,引入粒子群算法、杂草算法等智能算法,对BP神经网络进行了一系列的优化,旨在提高其故障诊断的精度和效率。本文主要从以下几项展开研究:1、探索小波包分析和神经网络在模拟电路故障诊断领域的应用方法。小波包分析具有良好的时频分析特性,能提取得到优质的故障特征;神经网络具有出色的泛化学习能力和非线性映射性能。本文先用小波包分析实现模拟电路的故障特征提取,再结合神经网络的分类识别能力,实现模拟电路的故障定位。2、构建基于粒子群算法优化BP网络参数（PSO-BP）的模拟电路故障诊断模型,提高基于BP网络分类模型的诊断精度和收敛速度;其次,针对粒子群算法易陷入局部收敛的不足进行改进,引入变异算子的同时结合非线性递减权值策略,提出了一种基于改进粒子群（IPSO）算法优化BP网络参数（IPSO-BP）的改进型分类模型,分别采用Sallen-key和CTSV滤波电路进行故障诊断的仿真和实验,结果表明IPSO-BP分类模型的诊断效果优于BP网络、PSO-BP分类模型,具有较快的收敛速度和较高的诊断精度。3、构建基于入侵杂草算法优化BP网络参数（IWO-BP）的模拟电路故障诊断模型,进一步提升基于BP网络分类模型的诊断精度和收敛速度。接着引入自适应参数选择策略,同时融入差分进化算法的交叉、变异、选择算子,提出一种自适应杂草混合算法（AIWODE）优化BP网络参数（AIWODE-BP）的改进型分类模型,分别采用两个典型电路验证其分类效果,结果表明AIWODE-BP分类模型能有效地防止局部收敛,缩短故障分类时间,获得更高的故障诊断精度。4、提出一种杂草粒子群混合算法（HPSO）来优化BP网络参数的改进型分类模型。对三种典型电路进行仿真分析,并与IPSO-BP、AIWODE-BP、CS-BP和IWOBP以及PSO-BP分类模型进行对比,结果表明HPSO-BP分类模型能够获得最优的故障分类效果。本文工作是对智能化故障诊断方法的有益探索,在一定程度上丰富了模拟电路故障诊断的研究成果。
李亚萍[2]（2021）在《模拟集成电路设计与优化方法研究》文中研究表明随着集成电路制造工艺的发展,器件特征尺寸不断减小,非理想效应逐渐凸显,设计难度不断增大。然而,目前市场上缺乏成熟、完备的模拟集成电路自动化设计工具,模拟集成电路的设计主要依靠手工完成,设计效率较低。本文对模拟集成电路的设计与优化方法展开研究,旨在提高模拟集成电路的设计效率,缩短设计周期。模拟集成电路的设计流程包括拓扑选择、电路参数设计、版图设计、制造和测试等步骤。本文针对前两个步骤展开研究。对于拓扑结构的确定,电路设计者一般从现有的拓扑结构库中选择合适的拓扑。目前模拟电路各个模块的拓扑结构种类较多,一般可以满足普通的设计要求。当电路的某些性能要求较高时,电路设计者一方面可以分析和改进电路拓扑结构,另一方面可以优化电路参数以达到设计指标。由于待调参数较多,电路性能和设计变量之间存在高度的非线性关系,加之电路性能指标之间相互影响、相互制衡,设计者需要在多个互相关联的电路指标中反复权衡,手工调试工作重复而繁琐,对于复杂电路更是如此。因此,研究模拟电路参数自动优化方法对于解放人力、降低时间成本具有重要意义。本文从复数带通滤波器的设计与优化入手,研究了复数带通滤波器的设计理论,分析了传统有源RC复数带通滤波器的通带纹波较大的原因,并据此改进了传统有源RC复数带通滤波器的拓扑结构。本文从参数优化的角度研究了模拟电路的自动优化方法。在搜索算法方面,本文研究了全局搜索和局部搜索常用算法的原理及实现;在电路性能评估方面,本文基于SPICE仿真、解析模型和机器学习模型探讨了模拟电路参数优化方法中的优化效率和优化精度问题,并提出了两种新的参数自动优化方法。本文的主要工作如下:（1）为解决传统结构的复数带通滤波器通带纹波较大的问题,推导了运放增益带宽积有限时低通滤波器向复数带通滤波器转化的频谱搬移公式,通过对交叉耦合电阻值进行修正,并引入与交叉耦合电阻并联的电容,实现了对传统有源RC复数带通滤波器的无源补偿,降低了运放有限的增益带宽积对频谱搬移的非线性影响,有效减小了有源RC复数带通滤波器的通带纹波。基于此补偿方法,采用TSMC 0.13μm CMOS工艺设计了一个中心频率为12.24 MHz,带宽为9 MHz,通带纹波小于1 dB的有源RC切比雪夫复数带通滤波器,其仿真及流片测试结果验证了此无源补偿新方法的有效性。（2）分析了基于SPICE仿真的全局搜索和局部搜索相结合的经典优化方法在优化精度和优化时间成本方面的优势与不足,针对其全局搜索阶段SPICE仿真时间成本大、设计空间覆盖率较低的问题,提出了一种解析模型-仿真混合辅助的模拟电路参数优化方法。该方法采用电路解析模型代替SPICE仿真进行全局优化阶段的电路性能评估,实现了对全局设计空间快速搜索;为弥补解析模型精度有限的不足,选取了全局搜索结果中的可能存在最优点的几个区域进行局部搜索以找到最优解。该方法兼具了解析模型的高效率和SPICE仿真的高精度的优势。为验证该方法的有效性和高效性,本文推导了传统拓扑结构五阶复数带通滤波器的解析模型,并采用该方法对五阶复数带通滤波器进行了参数优化,结果表明,该方法可以明显的速度优势获得与经典优化方法相近的优化结果。（3）针对传统的基于SPICE仿真的局部搜索方法需要大量串行仿真、优化效率较低的问题,提出了利用局部机器学习模型代替SPICE仿真进行电路性能评估的模拟电路参数优化方法。该方法包括基于SPICE仿真的遗传算法全局优化和基于机器学习模型的局部优化两部分。在全局优化阶段,该方法基于并行SPICE仿真进行全局搜索。在局部优化阶段,该方法利用并行SPICE仿真获得训练数据并训练机器学习模型,然后利用该机器学习模型代替SPICE仿真来评估电路性能,从而将局部搜索所需的串行仿真转化为并行仿真,使局部优化也能充分利用并行计算资源,减少了优化所需时间。（4）完成了二级轨到轨运放、五阶有源RC切比雪夫复数带通滤波器和三级运放的参数优化。在此过程中,对比了模拟电路参数优化领域两种常用优化方法和本论文提出的基于局部机器学习模型的优化方法在优化效率和优化结果方面的差异,得出如下结论:基于SPICE仿真的遗传算法全局优化方法的优化效率最高,但搜索能力弱于其他两种方法;基于SPICE仿真的全局和局部搜索相结合的经典优化方法可以获得最优的结果,但优化效率较低;本论文提出的结合基于SPICE仿真的遗传算法全局优化和基于机器学习模型局部优化的优化方法可以用少于三分之一的时间获得与经典方法相比拟的结果。本文的主要创新点如下:（1）提出了一种有源RC复数带通滤波器的无源补偿方法。通过引入与交叉耦合电阻并联的电容,并对交叉耦合电阻值进行修正,有效减小了有源RC复数带通滤波器的通带纹波。（2）提出了一种解析模型-仿真混合辅助的模拟电路参数优化方法。在全局优化基于解析模型穷举搜索,实现了对全局搜索空间速度较快、较为充分的搜索。全局搜索的输出选取几个较优区域基于SPICE仿真局部搜索,提高了解的精度。（3）提出了一种基于仿真的遗传算法全局优化和基于机器学习模型的局部优化相结合的模拟电路参数优化方法。在局部优化中采用并行仿真产生机器学习模型训练数据,并基于机器学习模型进行局部搜索,解决了基于仿真的局部优化方法需要大量串行仿真导致的耗时较长的问题。
王旭[3]（2021）在《基于SVR的高频场效应管等效电路参数提取》文中进行了进一步梳理GaN高电子迁移率晶体管（High Electron Mobility Transistor,HEMT）等效电路模型表征是射频集成电路设计的前提,而建立等效电路模型的关键在于提取参数是否具有物理意义,因此等效电路参数提取研究是器件建模的关键。目前等效电路参数的提取精度,受限于测量数据的工作频段和被测器件的偏置条件。传统等效电路模型缺乏频率外延和偏置点内插的仿真能力。随着器件特征尺寸持续下降,高频特性不断提高,GaN HEMT小信号等效电路参数精确提取的难度升高,从而加大电路研发成本。为此针对上述问题,本文利用支持向量回归（Support vector regression,SVR）突出的频率外延和偏置点内插能力,开展了以下研究工作。首先,选取准确、可靠的训练样本和测试样本是构建SVR模型的基础。通过优化算法迭代、训练样本寻求模型最优超参数,使模型具有良好的学习能力,能够精确表征器件工作条件与小信号特性参数的非线性函数关系。为此,本文研究了GaN HEMT高频小信号等效电路参数的直接提取算法。运用双端口网络转换技术实现等效电路参数提取,从而为本文所建的散射（S）参数模型提供准确的宽频带S参数仿真数据及本征参数模型提供有效的样本数据。其次,S参数能正确反映器件小信号特性,作为先验知识确保了基于SVR的本征参数模型的有效性。参考射频器件SVR建模经验,关键参数值的选取决定了SVR模型学习和泛化能力。本文运用粒子群优化算法（Particle swarm optimization,PSO）作为模型关键参数优化工具,避免模型训练时出现因超参数参差导致收敛速度慢、泛化能力差等问题。通过引入噪声因素,提高模型抗干扰能力。与文献ANN模型对比,经测试验证,所建的S参数SVR模型在[13GHz-18GHz]频带范围内,具有很好的频率外延能力。因此,采用所建的S参数SVR模型,可解决频点扫描遗漏问题,易于连续获取任意偏置点和频率范围内的S参数,避免了复杂的S参数测量和繁琐的提取过程。最后,本征参数作为反映GaN HEMT物理特性的关键,本文建立了基于SVR的本征参数模型并提取本征参数。利用先验知识注入法（Prior knowledge input,PKI）,S参数模型作为先验知识与SVR算法相结合,解决了因数据不足导致的精度问题。所建的模型避免了复杂的物理特性分析和建模表征中测量参数的繁琐步骤,完善了传统模型缺失的偏置点内插能力,能在较宽频带和偏置范围内快速提取本征参数,从而实现GaN HEMT小信号等效电路的有效表征。将基于SVR本征参数模型提取的本征参数与文献数据一同嵌入仿真软件作对比验证,结果表明SVR的本征参数模型在高频点误差较小,表明了所建的SVR本征参数模型在建模效率和建模精度上具有明显优势。
李龙梅[4]（2020）在《基于舵系统的故障诊断方法研究》文中认为舵系统作为伺服控制系统,广泛应用于航空航天、军事、船舶和自动驾驶等高精尖领域,在设备运行过程中占有主导地位,其性能的优劣直接影响整个设备的运行状态。因此,关于舵系统的故障诊断与识别技术的研究尤为重要。现存的舵系统测试设备具有便携、易操作和自动测试等特点,但后期数据分析不属于测试环节,两者完全脱节。为实现高效的基于测试数据的舵系统故障诊断,本文引入机器学习算法实现数据测试与系统分析一体化。舵系统由舵放电路和四个同型舵机构成,为排除复杂多变的模拟电路故障,本文首先研究和探索模拟电路故障诊断方法。针对模拟电路故障类型复杂、特征数据庞大等特点引入拉普拉斯分数算法实现特征重要性排序,经排序的样本按照维数逐次递增输入优化的支持向量机中完成训练,实现对样本维度、训练精度和训练效率三者的权衡,并最终寻得最优诊断模型。其中,优化算法选用扰动粒子群算法避免了易于陷入局部最优的窘境。然后基于测试数据实现对系统的故障状态分析,针对测试数据的不平衡特性,引入重采样技术解决传统分类算法在不平衡学习中的性能衰退问题。首先,提出基于聚类的加权过采样算法实现少数类样本的合成,算法中重点考虑支持向量并赋予权重,随后在层次聚类算法的基础上运行合成少数过采样技术完成新样本的合成,该算法有效避免大量噪声样本的合成,但样本携带的信息不够全面,只适于实现系统的故障诊断。为实现高质量、携带信息充分的新样本的合成,为进一步提升分类器的性能并实现故障定位,提出了在信息样本选择与样本权重分配上更加合理的基于信息样本的自适应过采样技术,该方法以决策超平面为参考,依据样本点与超平面的欧氏距离实现信息样本点的选择与权重分配,其中信息样本点的占比与采样率以及分类器中的关键参数都在模型训练中由鲸鱼优化算法寻优获得,如此,获得的诊断模型在故障诊断与识别中性能更加优越,定位更加准确。开发的模拟电路故障诊断模型在两例常见的模拟滤波电路完成实验验证,实验结果显示,故障诊断准确率高,分类器性能优越。在基于测试数据的舵系统的故障诊断与识别的对比实验中,验证了模型的高效性和性能的优越性。
马润平[5]（2020）在《基于深度极限学习机的模拟电路故障诊断研究》文中认为随着电子工业的快速发展,电路故障诊断在可靠运行以及良好的工业系统维护中起着非常重要的作用,这可以确保生产更高质量的产品,降低产品报废率并满足日益严格的安全和环境要求。目前,虽然对于数字电路来说,广泛使用的是完全自动化的故障诊断技术,但是对于模拟电路来说,由于故障模型复杂,元件容差和非线性问题,使得故障很难检测和诊断,这造成了电路芯片高成本和集成电路发展的技术瓶颈。因此,在模拟电路中,有效的诊断技术仍然是一个开放的研究课题。近年来,随着深度学习的出现以及智能算法的发展,为模拟电路故障诊断提供了新颖的研究途径。本文以深度学习、GA以及PSO算法为理论基础,非线性电路为被测对象,提出了基于深度极限学习机的模拟电路故障诊断模型,通过分析电路的输出信号,对模拟电路故障诊断进行了研究。主要工作和成果如下:1.针对模拟电路故障诊断中特征提取以及模型训练时间较慢的难题,本文采用了一种基于深度极限学习机（Deep Extreme Learning Machine,简称DELM）的模拟电路故障诊断算法。该算法将自编码器（Auto Encoder,简称AE）的思想引入到极限学习机（Extreme Learning Machine,简称ELM）中,搭建双随机隐层的ELM自编码器（ELM-AE）模型,然后使用原始的ELM作为分类器。ELM-AE是一种尽可能重现输入的神经网络,它可以作为多层学习框架中的特征抽取器,具有特征表示能力,可以实现数据的维度压缩以及稀疏表达。为了进一步增强DELM网络的鲁棒性,采用正则极限学习机（Regularized ELM,简称RELM）代替原始的ELM。将ELM-AE作为训练DELM的基本组成部分,ELM作为诊断器,将底层的故障特征形成更加抽象的高级特征,能自主地学习数据特征,避免了单独对数据进行特征提取和选择的问题,提高了诊断效率。训练DELM首先通过仿真提取出原始故障数据,然后直接作为深度极限学习机的输入,不需要单独的特征提取和选择,就可以快速地对故障进行定位,实现故障诊断。最后以Sallen-Key、四运放高通滤波以及二级四运放双二阶低通滤波器电路为被测对象,分析结果表明了该方法的可行性,能够快速且准确地实现故障识别。2.基于GA和PSO算法优化深度极限学习机的模拟电路故障诊断。针对深度网络隐层节点数难以选择以及人为选择的隐层节点会遗漏数据本身有效的特征信息,进而产生较大的训练误差问题,选择合适的隐藏节点可以有效地降低时间复杂度,使网络具有很好的泛化能力,所以采用遗传算法（Genetic Algorithm,简称GA）来寻找DELM网络每个隐层的最优节点数,并且进一步与粒子群算法（Particle Swarm optimization,PSO）优化的深度极限学习机进行了比较,证明了GA-DELM算法可以自适应地搜索全局最优点,可以避免陷入局部最优。最后通过非线性整流电路进行了验证,诊断结果表明了该算法的可行性。
张坤[6]（2020）在《扇形永磁体直动式电磁机构分布参数模型与应用研究》文中指出含扇形永磁体的直动式电磁机构因其可靠性高、驱动快速等特点被广泛应用于各行各业,尤其在航空航天领域,含直动式电磁机构的电磁阀是飞行控制系统的关键执行元器件,输出力与保持力是其重要的技术指标。如何获得更大的输出力与保持力,实现产品的稳健一直是该领域的研究重点。当前含扇形永磁体的直动式电磁机构在总体设计阶段主要依靠研究与设计人员的经验,针对性系统性的设计指导思想缺失;在参数、容差优化设计阶段通常使用有限元为代表的数值法和集中参数模型为代表的磁路法计算核心的电磁机构电磁吸力,其中有限元法在计算精度方面具有较大优势,但耗费计算资源多,计算周期较长,而集中参数建模方法尽管具有计算周期短的优点,但计算精度低,在应对以万次计的稳健设计过程中,以上两种方法均难以达到计算效率与计算精度的平衡,导致目前针对该类电器的稳健性设计效率较低。因此,本文针对电磁阀等电器电磁机构总体设计落后、稳健设计效率低的问题,开展含扇形永磁的直动式电磁机构设计方法与分布参数计算模型研究。首先,提出了基于工作气隙分析的直动式电磁机构设计方法。分析以电磁阀中电磁机构为代表的典型传统电磁式与含永磁体电磁机构的结构特点,对电磁阀电磁机构进行分类;根据各类电磁机构工作气隙磁阻特点,分析吸力特性曲线规律。给出基于工作气隙分析的电磁机构设计方法。然后基于电磁机构工作气隙分析,建立吸力特性计算模型,研究电磁机构衔铁在释放位置处吸力与线圈安匝数的关系;运用基于工作气隙分析的直动式电磁阀电磁机构设计方法,进行高性能直动式电磁阀电磁机构的新结构设计,通过有限元仿真与样机实测,对设计方案进行了验证。其次,建立了扇形永磁体电磁机构分布参数模型。基于有限元仿真结果对扇形永磁体磁力线的分布特征进行分析,确定永磁体在直角坐标系下各向中心磁场的划分依据;根据磁力线分布特征,建立基于磁力线分布的开路扇形永磁体分布参数模型;将开路扇形永磁体分布参数建模方法应用于电磁机构中,建立典型含扇形永磁体直动式电磁机构分布参数模型,给出永磁体各段磁感应强度的求解方法。以典型含扇形永磁体直动式电磁机构为例,使用分布参数模型求解电磁机构各分段位置处的磁感应强度以及电磁机构产生的吸力,验证了含扇形永磁体电磁机构分布参数模型的准确性。再次,提出了基于Kriging基函数预判的电磁机构分布参数模型计算精度提升方法。以Kriging插值方法为基础,通过调整基函数来适应电磁机构漏磁导误差变化,将基函数漏磁导计算数据与误差变化量数据对比以选择合适的基函数。在得到Kriging插值基函数之后,确定误差项、衔铁行程与Kriging插值方法修正误差之间的函数关系,得到对漏磁导误差项进行补偿的方法。使用PIP（Predictive Identification Program）方法优选Kriging基函数类型,对漏磁导误差数据进行预判,进一步提升运算效率。将经过误差修正的漏磁导与软磁磁阻数据代入电磁机构分布参数模型进行吸力计算,验证了该方法对电磁机构分布参数模型计算精度的提升效果。最后,研究基于分布参数模型的含扇形永磁体电磁机构稳健设计方法。通过电磁机构分布参数模型,采用基于小生境的多目标粒子群算法以及遗传算法,对扇形永磁直动式电磁机构进行多目标参数优化设计;对典型电磁阀中的直动式电磁机构进行稳健参数设计与容差设计,分别通过信噪比、灵敏度及贡献率分析,确定关键设计参数的最佳组合值及其公差大小。随机生成稳健参数设计与容差设计前后的虚拟样本,计算保持力与输出力分布并与设计前性能参数进行比较,经过稳健参数设计与容差设计后,直动式电磁机构的保持力与输出力的稳定性均得到明显提升,验证了基于分布参数模型的稳健设计方法计算效率。本研究对于电磁阀等机电元件中含扇形永磁体直动式电磁机构的设计、分析和优化具有理论意义和实用价值,其分布参数模型的建模思想亦可应用于其它直动式电磁机构建模分析与设计过程中。
李洪祥[7]（2020）在《基于优化神经网络的模拟电路故障诊断方法研究》文中研究表明现如今,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。
杨雨[8]（2019）在《基于流形结构的模拟电路故障诊断方法研究》文中认为在当今智能化迅猛发展的时代,模拟电路已经广泛应用于各个领域,难免会出现各种故障,因此对其诊断的方法也就极其重要。但是由于模拟电路出现的各种复杂因素,也就造成了对于模拟电路故障诊断的技术进步缓慢。结合机器学习算法以及人工智能技术的发展,本文提出了基于流形结构的粒子群优化支持向量机和极限学习机的模拟电路故障诊断方法。（1）针对模拟电路本身复杂多样、元器件存在容差以及发生故障的参数是连续的等各种特点,本文使用局域均值分解与多尺度模糊熵相结合的方法来提取电路中的故障特征信息。局域均值分解算法在处理非平稳以及非线性的信号时具有优势。将纯调频信号与包络信号分离出来,并将其相乘得到一系列的PF分量,取其中包含信息量最大的前三组,再经过分析计算多尺度模糊熵特征来得到特征向量。（2）针对传统支持向量机在进行分类识别时,只考虑数据类间的信息,并未考虑到数据内部的结构信息。本文提出基于流形结构的粒子群优化支持向量机。融合数据分布结构的先验信息,在保持数据类间间隔最大的基础上,使数据在映射到高维空间时,各类的数据尽可能紧凑。同时将粒子群算法与支持向量机相结合,对其中的参数进行优化,在粒子群算法中改进迭代的权重函数,提高迭代效率以及避免了陷入局部最优,提高了分类精度也加快了全局收敛的速率,能够有效增强支持向量机的诊断效果。（3）针对如果故障类型过多,传统方法会使数据训练时间过长,诊断的效率也比较低。本文将二叉树与极限学习机相结合,构造出模拟电路的诊断模型结构。二叉树结构相比于传统分类模型结构可以减少分类器的数量,同时极限学习算法的输入权值矩阵?和隐含层偏置阈值b是随机给定的,只需要设置网络的隐含层节点个数个数就能产生唯一最优解。相比较一般传统的神经网络以及支持向量机不仅加快了学习速度,也提高了模型的泛化能力。
何威[9]（2019）在《基于时频特征的模拟电路故障诊断方法研究》文中指出模拟电路作为电子设备中的重要部件,其测试和故障诊断是目前研究的热点问题。但是由于模拟电路易受外界噪声干扰,元器件存在参数连续性、容差性以及高度非线性等问题,使得故障诊断理论及测试技术发展一直比较缓慢,远远不能满足电子工业对设备高可靠性的现实需求。本文针对模拟电路故障诊断方法,基于交叉小波时频分析技术,融合矩阵分解技术、图像特征分析、统计分类方法以及生成对抗网络等理论和技术,研究模拟电路故障诊断中的特征提取及故障分类策略,并探讨了深度学习技术在模拟电路故障诊断中的运用。本文的研究内容如下:·（1）提出基于交叉小波变换（XWT）与矩阵分解的模拟电路故障特征提取方法。通过研究交叉小波谱的时频特征,将奇异值分解与变分贝叶斯矩阵分解引入到模拟电路故障特征提取中,并由此提出了两种故障特征向量构建方法。首先通过采样正常状态与故障状态下电路输出响应信号,随后运用交叉小波技术将响应信号变换为二维时频谱,然后采用SVD和VBMF分解时频谱矩阵,最后计算出所有故障状态下SVD奇异值序列的信息熵和VBMF奇异值序列的统计参量,并构建为故障特征向量。仿真实验结果证明基于XWT和矩阵分解所构建的故障特征具有较高的区分度。（2）提出基于交叉小波变换与图像信息分析的模拟电路故障特征提取方法。通过研究交叉小波谱图像的几何矩特性和纹理结构信息,将Krawtchouk矩和局部二值模式（LBP）引入到模拟电路故障特征提取中,并以此构建故障特征向量。首先,获取所有状态下输出信号的交叉小波时频谱;随后,应用权重Krawtchouk矩和局部最优方向模式（LOOP）处理时频谱图像,最终生成故障特征向量。其中,权重Krawtchouk矩方法主要用来解决传统Krawtchouk矩中数值不稳定问题,而LOOP则旨在解决传统LBP方法过于依赖方向的缺点。仿真结果表明基于XWT和图像信息分析的方法具有较好的故障特征提取效果。（3）提出基于统计分类模型的模拟电路故障定位方法。在传统的故障分类中,一般是采用神经网络作为故障分类器,该方法属于经验风险最小化范畴,容易陷入局部最优点。考虑到统计分类模型在在模式识别方面的优异性能,提出了基于权重特征核线性判别分析,支持向量机和向量正则核函数逼近方法的模拟电路故障诊断方法。同时考虑花授粉算法（FPA）和量子粒子群算法（QPSO）良好的参数优化能力,分别采用花授粉算法优化支持向量机以及量子粒子群算法优化向量正则核函数逼近方法。通过仿真实验表明,这三种方法均取得较高的故障诊断正确率。（4）提出了基于生成对抗网络的模拟电路故障诊断方法。在传统的故障诊断方法中,在面对不同诊断任务时,需要人工选择不同的故障特征方法和分类策略,而深度学习方法却可以有效的避免上述问题,借助其强大的非线性映射能力,在不同网络层中实现特征提取和分类。本文在探讨生成对抗网络的基本原理后,提出采用深层卷积神经网络、sigmoid和softmax分类器对其进行改进,同时为了降低生成对抗网络的负担,并采用小波交叉谱和相干谱数据作为其输入向量。仿真实验表明该方法可以较好地实现故障诊断的任务。
梅恒荣[10]（2018）在《基于群智能算法优化的支持向量机模拟电路故障诊断》文中研究表明随着现代电子设备中模拟电路复杂度和集成度不断增加,其可靠性和可维护性十分关键。但模拟电路存在可测节点少、电路信息冗余度高、容差性、非线性以及故障多样性等问题,使得模拟电路故障诊断发展缓慢。本文主要研究支持向量机（SVM）应用于模拟电路故障诊断,但其惩罚参数C和核参数g的选取不同严重影响其分类性能,为此,分别提出了基于改进粒子群算法和改进引力搜索算法来优化SVM的参数,并对线性和非线性模拟电路进行了仿真和实验验证。本文的主要研究内容如下:首先,研究模拟电路的故障诊断方法和用于优化SVM参数的群智能算法。通过分析模拟电路故障的特性,构建SVM进行故障诊断模型,利用小波包分解进行特征提取,群智能算法来优化SVM的两个参数,以获得最优的故障分类效果。其次,对易于陷入局部收敛的粒子群算法进行改进,通过引入新的动态惯性权重、全局邻域搜索、收缩因子和遗传算法中的变异操作,提出了一种基于改进粒子群（IPSO）算法优化SVM参数（IPSO-SVM）的改进型分类器。分别采用线性和非线性模拟电路进行故障诊断的仿真和实验。结果表明IPSO-SVM分类器的分类效果优于GS-SVM、AFSA-SVM、GA-SVM和PSO-SVM分类器,具有较强的全局收敛能力和较快的收敛速度。最后,为进一步提高模拟电路故障诊断的效率,缩短分类时间,通过引入粒子群算法中的惯性权重和全局记忆性、时变引力搜索策略和边界变异策略,提出一种改进引力搜索算法（IGSA）来优化SVM参数（IGSA-SVM）的改进型分类器,并用三个UCI数据和两个模拟电路验证其分类效果,结果表明IGSA-SVM分类器能有效地防止局部收敛并缩短了故障诊断的分类时间。
二、GA混合参数寻优在电路参数容差分配中的应用（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、GA混合参数寻优在电路参数容差分配中的应用（论文提纲范文）
（1）模拟电路信号特征分析及故障诊断算法优化（论文提纲范文）
| 摘要 |
| Abstract |
| 第一章 绪论 |
| §1.1 课题研究的背景与意义 |
| §1.2 故障诊断发展历程与现状 |
| §1.3 本文主要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 |
| 第二章 模拟电路信号特征分析及神经网络诊断算法 |
| §2.1 引言 |
| §2.2 基于小波包分析的故障特征提取 |
| §2.2.1 小波包分析原理 |
| §2.2.2 故障特征提取的小波包分析方法 |
| §2.2.3 小波包基函数的选择 |
| §2.3 BP神经网络诊断算法研究 |
| §2.3.1 BP神经网络算法研究 |
| §2.3.2 BP神经网络模型建立及其故障诊断方法 |
| §2.4 仿真实例分析 |
| §2.4.1 信号特征提取实例分析 |
| §2.4.2 基于BP神经网络的软故障诊断实例分析 |
| §2.5 本章小结 |
| 第三章 基于PSO算法优化神经网络的模拟电路故障诊断 |
| §3.1 引言 |
| §3.2 基于PSO-BP的模拟电路故障诊断模型 |
| §3.2.1 粒子群优化算法(PSO) |
| §3.2.2 PSO算法寻优性能测试 |
| §3.2.3 PSO-BP诊断模型构建 |
| §3.2.4 诊断实例 |
| §3.3 基于IPSO-BP的模拟电路故障诊断 |
| §3.3.1 改进的粒子群算法(IPSO) |
| §3.3.2 IPSO算法寻优性能测试 |
| §3.3.3 IPSO-BP模型构建及诊断实例 |
| §3.4 本章小结 |
| 第四章 基于IWO算法优化神经网络的模拟电路故障诊断 |
| §4.1 引言 |
| §4.2 基于IWO-BP的模拟电路故障诊断模型 |
| §4.2.1 入侵杂草算法(IWO) |
| §4.2.2 IWO算法寻优性能测试 |
| §4.2.3 IWO-BP诊断模型构建 |
| §4.2.4 诊断实例 |
| §4.3 基于AIWODE-BP的模拟电路故障诊断 |
| §4.3.1 差分进化算法(DE) |
| §4.3.2 自适应杂草混合算法(AIWODE) |
| §4.3.3 AIWODE算法寻优性能测试 |
| §4.3.4 AIWODE-BP模型构建及诊断实例 |
| §4.4 本章小结 |
| 第五章 基于HPSO算法优化神经网络的模拟电路故障诊断 |
| §5.1 引言 |
| §5.2 基于HPSO-BP的模拟电路故障诊断模型 |
| §5.2.1 杂草粒子群混合算法 |
| §5.2.2 HPSO算法寻优性能测试 |
| §5.2.3 HPSO-BP诊断模型构建 |
| §5.3 诊断实例 |
| §5.3.1 Sallen-key带通滤波电路 |
| §5.3.2 CTSV滤波电路 |
| §5.3.3 Leapfrog电路 |
| §5.4 本章小结 |
| 第六章 总结与展望 |
| §6.1 总结 |
| §6.2 展望 |
| 参考文献 |
| 致谢 |
| 作者攻读硕士学位期间取得的的研究成果 |
（2）模拟集成电路设计与优化方法研究（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 |
| 1.2.1 基于知识的模拟电路设计与优化方法 |
| 1.2.2 基于优化的模拟电路设计与优化方法 |
| 1.3 论文内容及结构 |
| 1.3.1 存在的问题 |
| 1.3.2 论文主要内容安排 |
| 第二章 复数带通滤波器改进拓扑结构的设计与优化 |
| 2.1 复数带通滤波器的研究与设计 |
| 2.1.1 复数带通滤波器的应用背景 |
| 2.1.2 复数带通滤波器的实现原理 |
| 2.1.3 传统五阶有源RC复数带通滤波器的设计 |
| 2.2 五阶有源RC复数带通滤波器拓扑结构的改进 |
| 2.3 实验与分析 |
| 2.4 本章小节 |
| 第三章 解析模型-SPICE仿真混合辅助的模拟电路参数优化 |
| 3.1 常用的全局搜索算法 |
| 3.1.1 遗传算法 |
| 3.1.2 模拟退火算法 |
| 3.1.3 粒子群优化算法 |
| 3.1.4 其他常用的全局优化算法 |
| 3.2 常用的局部搜索算法 |
| 3.2.1 坐标轮换法 |
| 3.2.2 最速下降法 |
| 3.2.3 单纯形法 |
| 3.2.4 其他常用的局部搜索算法 |
| 3.3 基于仿真的结合全局和局部搜索的模拟电路参数优化方法 |
| 3.3.1 遗传算法初始种群的产生 |
| 3.3.2 遗传算法适应度函数的确定 |
| 3.3.3 遗传算法的基本操作 |
| 3.3.4 基于仿真的局部搜索 |
| 3.3.5 基于仿真的全局搜索方法存在的问题 |
| 3.4 解析模型-SPICE仿真混合辅助的模拟电路参数优化方法 |
| 3.4.1 基于解析模型的全局搜索 |
| 3.4.2 基于仿真的局部搜索 |
| 3.4.3 优化实例及结果分析 |
| 3.5 本章小结 |
| 第四章 基于遗传算法和机器学习的模拟电路参数优化 |
| 4.1 机器学习技术概述 |
| 4.1.1 机器学习技术分类 |
| 4.1.2 模拟电路参数优化常用的机器学习技术 |
| 4.1.3 影响机器学习模型精度的因素 |
| 4.2 人工神经网络概述 |
| 4.2.1 人工神经网络简介 |
| 4.2.2 BP神经网络简介 |
| 4.2.3 BP神经网络在模拟电路参数优化中的应用 |
| 4.3 基于遗传算法和机器学习的模拟电路参数优化方法 |
| 4.3.1 基于遗传算法和机器学习的模拟电路参数优化方法概述 |
| 4.3.2 基于遗传算法和机器学习的模拟电路参数优化方法实现 |
| 4.4 本章小结 |
| 第五章 模拟电路参数优化方法的案例分析 |
| 5.1 电路优化中ANN模型的构建 |
| 5.1.1 ANN模型的配置 |
| 5.1.2 ANN模型与其他机器学习模型的性能比较 |
| 5.2 二级轨到轨运放的参数优化 |
| 5.3 五阶有源RC复数带通滤波器的参数优化 |
| 5.4 三级运放的设计与参数优化 |
| 5.4.1 三级运放的设计 |
| 5.4.2 三级运放的参数优化 |
| 5.5 关于数据平坦度对模型精度影响的讨论 |
| 5.6 本章小结 |
| 第六章 总结与展望 |
| 6.1 工作总结 |
| 6.2 论文创新点 |
| 6.3 研究展望 |
| 参考文献 |
| 致谢 |
| 攻读博士学位期间的的学术成果及奖励 |
| 附件 |
| 学位论文评阅及答辩情况表 |
（3）基于SVR的高频场效应管等效电路参数提取（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 1 绪论 |
| 1.1 研究背景与意义 |
| 1.1.1 研究背景 |
| 1.1.2 研究意义 |
| 1.2 国内外研究现状 |
| 1.2.1 器件研究方面 |
| 1.2.2 支持向量回归研究方面 |
| 1.3 论文研究内容 |
| 2 GaN HEMT高频小信号等效电路建模 |
| 2.1 GaN HEMT器件结构及工作原理 |
| 2.1.1 GaN HEMT器件结构 |
| 2.1.2 GaN HEMT工作原理 |
| 2.2 小信号等效电路模型拓扑结构的确定 |
| 2.3 双端口网络转换技术 |
| 2.3.1 导纳、阻抗参数矩阵 |
| 2.3.2 散射参数矩阵 |
| 2.3.3 参数矩阵转换 |
| 2.4 等效电路元件参数的提取 |
| 2.4.1 寄生参数提取 |
| 2.4.2 本征参数提取 |
| 2.4.3 提取结果 |
| 2.5 ADS仿真验证 |
| 2.6 本章小结 |
| 3 基于PSO-SVR的散射参数建模 |
| 3.1 支持向量回归 |
| 3.1.1 机器学习 |
| 3.1.2 SVR算法的基本原理 |
| 3.2 SVR算法的关键参数 |
| 3.2.1 关键参数选取 |
| 3.2.2 粒子群优化算法(PSO) |
| 3.3 基于SVR的S参数建模过程 |
| 3.3.1 数据预处理 |
| 3.3.2 基于PSO-SVR超参数优化的S参数模型训练 |
| 3.3.3 模型抗干扰性分析 |
| 3.4 模型性能验证 |
| 3.4.1 SVR模型与ANN模型的比较 |
| 3.4.2 泛化能力验证 |
| 3.5 本章小结 |
| 4 基于SVR的 GaN HEMT本征参数提取 |
| 4.1 基于PKI-SVR的本征参数建模 |
| 4.1.1 模型结构的确定 |
| 4.1.2 数据选取与预处理 |
| 4.1.3 本征参数模型的训练 |
| 4.1.4 模型性能分析 |
| 4.2 基于PKI-SVR模型提取本征参数 |
| 4.3 模型验证 |
| 4.3.1 有效性验证 |
| 4.3.2 精度分析 |
| 4.3.3 频率依赖性分析 |
| 4.4 本章小结 |
| 5 总结与展望 |
| 致谢 |
| 参考文献 |
| 攻读学位期间取得的研究成果 |
（4）基于舵系统的故障诊断方法研究（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 1. 引言 |
| 1.1 课题研究的背景和意义 |
| 1.2 测试设备的研究现状 |
| 1.3 故障诊断与不平衡数据学习 |
| 1.3.1 故障诊断的意义和方法 |
| 1.3.2 不平衡数据学习 |
| 1.4 论文研究的主要内容与结构安排 |
| 1.4.1 论文研究的主要内容 |
| 1.4.2 论文的结构安排 |
| 2. 基于舵放电路的故障诊断方法研究 |
| 2.1 支持向量机算法的理论基础 |
| 2.1.1 硬间隔分类器 |
| 2.1.2 软间隔分类器 |
| 2.1.3 非线性支持向量机 |
| 2.2 优化算法 |
| 2.2.1 扰动粒子群优化算法 |
| 2.2.2 拉普拉斯分数算法 |
| 2.3 模拟电路的特征提取 |
| 2.3.1 小波特征 |
| 2.3.2 统计量特征 |
| 2.3.3 特征分析 |
| 2.4 故障诊断模型的建立 |
| 2.4.1 参数选择的重要性 |
| 2.4.2 样本处理的重要性 |
| 2.4.3 故障诊断模型 |
| 2.5 诊断实验结果与分析 |
| 2.5.1 故障类型 |
| 2.5.2 被测电路 |
| 2.5.3 仿真试验 |
| 2.5.4 诊断结果与实验对比 |
| 2.6 本章小结 |
| 3. 基于层次聚类的加权过采样算法的故障诊断 |
| 3.1 基于不平衡数据的分类 |
| 3.1.1 数据不平衡对SVM的影响 |
| 3.1.2 不平衡数据分类问题的解决方法 |
| 3.1.3 传统过采样算法的介绍 |
| 3.2 基于层次聚类的加权过采样算法HCWS |
| 3.2.1 层次聚类算法的基本原理 |
| 3.2.2 过采样算法HCWS的运行机制 |
| 3.3 基于HCWS的故障诊断与实验结果分析 |
| 3.3.1 样本数据 |
| 3.3.2 分类器的性能度量 |
| 3.3.3 故障诊断实验 |
| 3.3.4 实验对比 |
| 3.4 本章小结 |
| 4. 基于信息样本的自适应过采样算法的故障定位 |
| 4.1 鲸鱼优化算法 |
| 4.2 自适应采样算法ASCIN |
| 4.3 基于ASCIN的故障诊断与实验结果分析 |
| 4.3.1 参数优化 |
| 4.3.2 基于ASCIN的故障诊断 |
| 4.3.3 故障诊断实验对比 |
| 4.3.4 基于ASCIN的故障识别与定位 |
| 4.4 本章小结 |
| 5. 总结与展望 |
| 5.1 全文总结 |
| 5.2 研究展望 |
| 参考文献 |
| 攻读硕士期间发表的论文及所取得的研究成果 |
| 致谢 |
（5）基于深度极限学习机的模拟电路故障诊断研究（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 第一章 引言 |
| §1.1 选题的背景及意义 |
| §1.2 模拟电路故障诊断的国内外研究现状 |
| §1.2.1 国外研究现状 |
| §1.2.2 国内研究现状 |
| §1.3 本文研究内容和组织结构 |
| §1.3.1 本文研究内容 |
| §1.3.2 本文组织结构 |
| 第二章 模拟电路故障诊断概述及方法分析 |
| §2.1 模拟电路故障诊断的基本理论 |
| §2.1.1 故障产生的原因及诊断难点 |
| §2.1.2 模拟电路故障的类型 |
| §2.1.3 诊断方法分类 |
| §2.2 模拟电路故障诊断中的特征提取 |
| §2.2.1 主成分分析法 |
| §2.2.2 小波分析法 |
| §2.3 模拟电路故障诊断中的模式识别方法 |
| §2.3.1 神经网络在故障诊断中的应用 |
| §2.3.2 支持向量机在模拟电路故障诊断中的应用 |
| §2.4 本章小结 |
| 第三章 基于深度极限学习机的模拟电路故障诊断 |
| §3.1 极限学习机 |
| §3.1.1 ELM的概述 |
| §3.1.2 ELM的学习规则 |
| §3.1.3 ELM的特点 |
| §3.2 基于正则极限学习机的自编码器 |
| §3.2.1 正则极限学习机 |
| §3.2.2 自编码器的概述 |
| §3.2.3 基于ELM-AE的表征学习 |
| §3.3 深度极限学习机的方法研究 |
| §3.4 基于深度极限学习机的模拟电路故障诊断实例分析 |
| §3.4.1 基于DELM的模拟电路故障诊断模型 |
| §3.4.2 诊断实例1 |
| §3.4.2.1 电路描述 |
| §3.4.2.2 故障诊断结果分析 |
| §3.4.3 诊断实例2 |
| §3.4.3.1 电路描述 |
| §3.4.3.2 故障诊断结果分析 |
| §3.4.4 诊断实例3 |
| §3.4.4.1 电路描述 |
| §3.4.4.2 故障诊断结果分析 |
| §3.5 本章小结 |
| 第四章 基于GA和 PSO算法优化DELM的模拟电路故障诊断 |
| §4.1 粒子群算法优化深度极限学习机的诊断模型 |
| §4.1.1 粒子群优化算法基本概念 |
| §4.1.2 PSO优化DELM的方法研究 |
| §4.2 遗传算法优化深度极限学习机的诊断模型 |
| §4.2.1 遗传算法基本概念 |
| §4.2.2 遗传算法的特点 |
| §4.2.3 GA优化DELM的方法研究 |
| §4.3 基于PSO-DELM和 GA-DELM的模拟电路故障诊断实例分析 |
| §4.3.1 基于GA和 PSO算法优化的DELM的模拟电路故障诊断模型 |
| §4.3.2 电路描述 |
| §4.3.3 实例对比与分析 |
| §4.4 本章小结 |
| 第五章 总结与展望 |
| §5.1 结论 |
| §5.2 创新内容 |
| §5.3 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 |
（6）扇形永磁体直动式电磁机构分布参数模型与应用研究（论文提纲范文）
| 摘要 |
| Abstract |
| 第1章 绪论 |
| 1.1 课题研究背景 |
| 1.2 课题研究目的和意义 |
| 1.3 国内外研究现状 |
| 1.3.1 电磁阀电磁机构设计方法研究现状 |
| 1.3.2 分布参数模型研究现状 |
| 1.3.3 电磁机构电磁特性计算方法研究现状 |
| 1.3.4 电磁机构结构优化设计与误差修正方法研究现状 |
| 1.4 国内外文献综述简析 |
| 1.5 本文的主要研究内容 |
| 第2章 基于工作气隙分析的直动式电磁阀电磁机构设计方法 |
| 2.1 引言 |
| 2.2 工作气隙分析及直动式电磁阀电磁机构设计方法 |
| 2.2.1 电磁阀电磁机构工作气隙分析 |
| 2.2.2 直动式电磁阀电磁机构设计流程 |
| 2.2.3 多工作气隙直动式电磁阀电磁机构设计 |
| 2.3 基于工作气隙的直动式电磁阀电磁机构吸力分析 |
| 2.3.1 基于工作气隙分析的电磁机构吸力特性计算模型 |
| 2.3.2 直动式电磁阀衔铁释放位置处吸力与安匝数关系 |
| 2.4 高性能直动式电磁阀电磁机构新结构设计 |
| 2.4.1 电磁阀电磁机构设计指标要求 |
| 2.4.2 基于工作气隙分析的高性能电磁阀电磁机构设计 |
| 2.4.3 高性能直动式电磁阀电磁机构仿真与实测 |
| 2.5 本章小结 |
| 第3章 扇形永磁体电磁机构分布参数模型 |
| 3.1 引言 |
| 3.2 基于磁力线划分的扇形永磁体分布参数模型 |
| 3.2.1 扇形永磁体磁力线分布特征分析 |
| 3.2.2 扇形永磁体磁力线解析表达 |
| 3.2.3 上表面与侧面漏磁导的计算方法 |
| 3.2.4 斜侧面漏磁导的计算方法 |
| 3.2.5 开路扇形永磁体分布参数模型的建立 |
| 3.2.6 开路扇形永磁体分布参数模型验证 |
| 3.3 电磁机构内磁力线分布分析 |
| 3.3.1 电磁机构研究对象与磁力线分布 |
| 3.3.2 电磁机构内磁力线分布特点 |
| 3.3.3 磁力线构形点拟合方法 |
| 3.4 基于磁力线分布的电磁机构分布参数模型 |
| 3.4.1 永磁分段与等效磁路图 |
| 3.4.2 电磁机构分布参数模型的建立与求解 |
| 3.5 扇形永磁体电磁机构分布参数模型应用算例 |
| 3.5.1 扇形永磁体电磁机构永磁体与软磁分段位置 |
| 3.5.2 电磁机构磁导求解 |
| 3.5.3 扇形永磁体电磁机构分布参数模型的求解 |
| 3.5.4 分布参数模型计算结果分析 |
| 3.6 本章小结 |
| 第4章 基于Kriging基函数预判的电磁机构模型计算精度提升方法 |
| 4.1 引言 |
| 4.2 基于Kriging模型的分布参数模型误差修正方法 |
| 4.2.1 基于Kriging模型的漏磁导误差修正 |
| 4.2.2 Kriging模型自定义基函数分析 |
| 4.2.3 基于Kriging基函数的漏磁导修正方法 |
| 4.2.4 基于Kriging基函数的漏磁导数据预判分析 |
| 4.3 基于Kriging模型的漏磁导计算误差修正 |
| 4.4 基于kriging模型的软磁磁阻计算误差修正 |
| 4.5 电磁机构分布参数模型计算验证 |
| 4.6 本章小结 |
| 第5章 基于分布参数模型的扇形永磁体电磁机构稳健设计方法研究 |
| 5.1 引言 |
| 5.2 基于多目标粒子群的电磁机构参数优化设计 |
| 5.3 基于分布参数模型的电磁机构稳健参数设计 |
| 5.3.1 电磁机构关键输出特性与设计参数的确定 |
| 5.3.2 基于分布参数模型的电磁机构正交试验法试验设计 |
| 5.3.3 电磁机构正交试验法数据分析 |
| 5.3.4 稳健参数设计前后对比 |
| 5.4 基于分布参数模型的电磁机构容差设计 |
| 5.4.1 电磁机构关键参数容差设计的原理与方法 |
| 5.4.2 电磁机构关键容差参数试验设计 |
| 5.4.3 容差设计试验数据分析 |
| 5.4.4 容差设计前后对比 |
| 5.5 本章小结 |
| 结论 |
| 参考文献 |
| 攻读博士学位期间发表的学术论文 |
| 致谢 |
| 个人简历 |
（7）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 |
（8）基于流形结构的模拟电路故障诊断方法研究（论文提纲范文）
| 摘要 |
| abstract |
| 专用术语注释表 |
| 第一章 绪论 |
| 1.1 选题的背景及意义 |
| 1.2 模拟电路的研究过程 |
| 1.3 本文研究内容 |
| 1.4 论文结构安排 |
| 第二章 模拟电路故障诊断概述以及相关技术 |
| 2.1 模拟电路故障诊断简述 |
| 2.1.1 模拟电路故障诊断的难点 |
| 2.1.2 故障类型简介 |
| 2.1.3 模拟电路故障诊断方法简介 |
| 2.2 常见的提取故障特征方法 |
| 2.2.1 主成分分析的算法简介 |
| 2.2.2 希尔伯特黄变换算法简介 |
| 2.2.3 局域均值分解算法简介 |
| 2.3 常见的模拟电路故障识别方法 |
| 2.3.1 人工神经网络 |
| 2.3.2 支持向量机 |
| 2.3.3 k-近邻法 |
| 2.4 本章总结 |
| 第三章 模拟电路特征提取 |
| 3.1 局域均值分解原理 |
| 3.2 模糊熵理论 |
| 3.3 特征提取 |
| 3.4 电路诊断应用实例分析 |
| 3.4.1 电路描述 |
| 3.4.2 电路验证分析 |
| 3.5 本章小结 |
| 第四章 基于流形结构SVM模拟电路故障诊断 |
| 4.1 流形SVM |
| 4.1.1 SVM简介 |
| 4.1.2 SVM数学原理 |
| 4.1.3 流形结构SVM模型 |
| 4.2 改进权重的粒子群算法 |
| 4.2.1 PSO算法 |
| 4.2.2 变权重粒子群算法 |
| 4.3 改进粒子群优化流形结构SVM参数 |
| 4.4 基于流形结构改进权重粒子群SVM模拟电路故障诊断实例 |
| 4.4.1 基于流形结构改进权重粒子群SVM模拟电路故障诊断模型 |
| 4.4.2 电路描述 |
| 4.4.3 验证分析 |
| 4.5 本章小结 |
| 第五章 基于二叉树极限学习机的模拟电路故障诊断模型 |
| 5.1 极限学习机理论 |
| 5.2 传统的多分类方法 |
| 5.2.1 一对一方法 |
| 5.2.2 一对多方法 |
| 5.3 基于相似方向数的二叉树极限学习分类模型 |
| 5.3.1 二叉树分类算法 |
| 5.3.2 类间相似方向数理论 |
| 5.3.3 生成BT-ELM模型 |
| 5.4 基于类间相似方向数的BT-ELM模拟电路故障诊断实例 |
| 5.4.1 基于类间相似方向数的BT-ELM诊断模型 |
| 5.4.2 电路描述 |
| 5.4.3 验证分析 |
| 5.5 本章小结 |
| 第六章 总结与展望 |
| 6.1 总结 |
| 6.2 展望 |
| 参考文献 |
| 附录1 攻读硕士学位期间撰写的论文 |
| 附录2 攻读硕士学位期间申请的专利 |
| 致谢 |
（9）基于时频特征的模拟电路故障诊断方法研究（论文提纲范文）
| 致谢 |
| 摘要 |
| abstract |
| 第一章 绪论 |
| 1.1 研究工作的背景与意义 |
| 1.2 模拟电路特性与故障分类 |
| 1.2.1 模拟电路自身特性 |
| 1.2.2 模拟电路故障分类 |
| 1.3 模拟电路故障诊断技术的研究现状 |
| 1.4 有待攻克的问题 |
| 1.5 本文的主要研究内容及结构安排 |
| 1.5.1 论文研究思路与主要内容 |
| 1.5.2 论文结构安排 |
| 第二章 信号预处理分析 |
| 2.1 引言 |
| 2.2 传统信号分析 |
| 2.2.1 时域分析法 |
| 2.2.2 频域分析法 |
| 2.3 时频分析方法 |
| 2.3.1 短时傅里叶变换 |
| 2.3.2 Wigner-Ville分布 |
| 2.4 小波分析 |
| 2.4.1 连续小波分析方法 |
| 2.4.2 离散小波分析方法 |
| 2.4.3 交叉小波分析方法 |
| 2.5 模拟电路信号时频分析 |
| 2.5.1 电路信号频域分析与小波分析 |
| 2.5.2 模拟电路信号交叉小波分析 |
| 2.6 模拟电路故障诊断与时频特征 |
| 2.7 本章总结 |
| 第三章 基于时频矩阵分解的特征提取方法研究 |
| 3.1 引言 |
| 3.2 基于奇异熵方法的故障特征提取方法 |
| 3.2.1 奇异值分解原理 |
| 3.2.2 信息熵理论 |
| 3.2.3 奇异熵提取过程 |
| 3.2.4 仿真分析 |
| 3.3 基于变分贝叶斯矩阵分解的特征提取方法 |
| 3.3.1 变分贝叶斯的矩阵分解算法 |
| 3.3.2 基于VBMF的统计特征分析 |
| 3.3.3 仿真分析 |
| 3.4 本章总结 |
| 第四章 基于时频图像的特征提取方法研究 |
| 4.1 引言 |
| 4.2 基于Krawtchouk矩的时频图像特征提取 |
| 4.2.1 图像矩的定义及其变换 |
| 4.2.2 几何矩定义及其性质 |
| 4.2.3 权重Krawtchouk矩 |
| 4.2.4 仿真分析 |
| 4.3 基于均值二值模式的时频图像特征提取 |
| 4.3.1 局部二值模式概述 |
| 4.3.2 局部方向模式 |
| 4.3.3 局部最优方向模式 |
| 4.3.4 仿真分析 |
| 4.4 本章总结 |
| 第五章 基于统计学习分类算法的故障诊断方法研究 |
| 5.1 引言 |
| 5.2 基于LDA方法的故障诊断 |
| 5.2.1 特征权重核线性判别分析 |
| 5.2.2 仿真分析 |
| 5.3 基于SVM方法的故障诊断 |
| 5.3.1 SVM的基本原理 |
| 5.3.2 花授粉算法 |
| 5.3.3 基于花授粉算法的参数优化过程 |
| 5.3.4 仿真分析 |
| 5.4 基于VVRKFA方法的故障诊断 |
| 5.4.1 VVRKFA的基本原理 |
| 5.4.2 量子粒子群算法 |
| 5.4.3 基于量子粒子群算法的参数优化过程 |
| 5.4.4 仿真分析 |
| 5.5 本章总结 |
| 第六章 基于深度学习的模拟电路故障诊断方法研究 |
| 6.1 引言 |
| 6.2 卷积神经网络 |
| 6.2.1 卷积层 |
| 6.2.2 池化层 |
| 6.2.3 全连接层 |
| 6.2.4 激活函数 |
| 6.2.5 代价函数 |
| 6.2.6 优化算法 |
| 6.3 深度卷积生成对抗网络 |
| 6.3.1 判别式与生成式模型 |
| 6.3.2 生成对抗网络 |
| 6.4 基于生成对抗网络的多分类器 |
| 6.4.1 sigmod与softmax函数 |
| 6.4.2 双分类器的生成对抗网路 |
| 6.4.3 双分类器的深度卷积生成对抗网络 |
| 6.5 交叉小波张量特征结合GANs的故障诊断 |
| 6.5.1 基于交叉小波张量特征预处理 |
| 6.5.2 故障诊断流程 |
| 6.5.3 仿真分析 |
| 6.6 本章总结 |
| 第七章 论文总结与展望 |
| 7.1 工作总结 |
| 7.2 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 |
（10）基于群智能算法优化的支持向量机模拟电路故障诊断（论文提纲范文）
| 致谢 |
| 摘要 |
| ABSTRACT |
| 第一章 绪论 |
| 1.1 课题研究背景及意义 |
| 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发展 |
| 1.2.2 模拟电路故障诊断方法的分类 |
| 1.3 本文的主要研究内容及章节安排 |
| 1.3.1 本文的主要研究内容 |
| 1.3.2 本文的章节安排 |
| 第二章 模拟电路故障诊断的理论概述 |
| 2.1 模拟电路故障诊断的基本理论 |
| 2.2 特征提取方法研究 |
| 2.2.1 小波包分解的特征提取方法 |
| 2.2.2 主元分析的特征提取方法 |
| 2.2.3 线性判别分析的特征提取方法 |
| 2.3 支持向量机(SVM)的基本原理及参数选择 |
| 2.3.1 支持向量机的基本原理 |
| 2.3.2 多分类支持向量机 |
| 2.3.3 支持向量机的参数选择 |
| 2.4 本章小结 |
| 第三章 群智能算法优化SVM参数 |
| 3.1 群智能算法简介 |
| 3.2 遗传算法(GA) |
| 3.3 人工鱼群算法(AFSA) |
| 3.4 粒子群优化算法(PSO)及其改进算法 |
| 3.4.1 粒子群优化算法(PSO) |
| 3.4.2 改进的粒子群算法(IPSO) |
| 3.4.3 基于IPSO优化的SVM分类器分类效果验证 |
| 3.5 引力搜索算法(GSA)及其改进算法 |
| 3.5.1 引力搜索算法(GSA) |
| 3.5.2 改进的引力搜索算法(IGSA) |
| 3.5.3 基于IGSA优化的SVM分类器分类效果验证 |
| 3.6 本章小结 |
| 第四章 改进粒子群算法优化的SVM模拟电路故障诊断 |
| 4.1 基于SVM模拟电路故障诊断的基本流程 |
| 4.2 基于IPSO-SVM的模拟电路故障诊断 |
| 4.2.1 Sallen-Key带通滤波器故障诊断 |
| 4.2.2 四运放双二次高通滤波器电路故障诊断 |
| 4.2.3 非线性整流电路故障诊断 |
| 4.3 实际模拟电路故障诊断研究 |
| 4.4 本章小结 |
| 第五章 改进引力搜索算法优化的SVM模拟电路故障诊断 |
| 5.1 模拟电路故障诊断步骤及故障设置 |
| 5.1.1 基于IGSA-SVM的模拟电路故障诊断步骤 |
| 5.1.2 四运放双二次高通滤波器故障设置 |
| 5.1.3 非线性整流电路故障设置 |
| 5.2 模拟电路故障诊断结果分析 |
| 5.2.1 四运放双二次高通滤波器电路仿真结果分析 |
| 5.2.2 非线性整流电路仿真结果分析 |
| 5.3 本章小结 |
| 第六章 总结与展望 |
| 6.1 总结 |
| 6.2 展望 |
| 参考文献 |
| 攻读硕士学位期间的学术活动及成果情况 |
四、GA混合参数寻优在电路参数容差分配中的应用（论文参考文献）
- [1]模拟电路信号特征分析及故障诊断算法优化[D]. 迮良佳. 桂林电子科技大学, 2021
- [2]模拟集成电路设计与优化方法研究[D]. 李亚萍. 山东大学, 2021(10)
- [3]基于SVR的高频场效应管等效电路参数提取[D]. 王旭. 西南科技大学, 2021(08)
- [4]基于舵系统的故障诊断方法研究[D]. 李龙梅. 中北大学, 2020(09)
- [5]基于深度极限学习机的模拟电路故障诊断研究[D]. 马润平. 桂林电子科技大学, 2020(04)
- [6]扇形永磁体直动式电磁机构分布参数模型与应用研究[D]. 张坤. 哈尔滨工业大学, 2020
- [7]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)
- [8]基于流形结构的模拟电路故障诊断方法研究[D]. 杨雨. 南京邮电大学, 2019(02)
- [9]基于时频特征的模拟电路故障诊断方法研究[D]. 何威. 合肥工业大学, 2019
- [10]基于群智能算法优化的支持向量机模拟电路故障诊断[D]. 梅恒荣. 合肥工业大学, 2018(01)