| 摘要 | 第4-6页 |
| ABSTRACT | 第6-7页 |
| 第1章 绪论 | 第12-26页 |
| 1.1 课题背景及研究的目的和意义 | 第12-13页 |
| 1.2 国内外研究现状及分析 | 第13-24页 |
| 1.2.1 早期故障微弱信号分析的研究 | 第14-18页 |
| 1.2.2 高维特征的主特征选择研究 | 第18-20页 |
| 1.2.3 高维非线性特征的降维研究 | 第20-22页 |
| 1.2.4 目前研究存在的问题与不足 | 第22-24页 |
| 1.3 本文的主要研究内容 | 第24-26页 |
| 第2章 基于改进EMD的低信噪比微弱信号特征提取 | 第26-58页 |
| 2.1 引言 | 第26页 |
| 2.2 EMD方法的基本原理 | 第26-29页 |
| 2.3 基于EMD分析的微弱信号特征提取端点效应抑制方法 | 第29-41页 |
| 2.4 基于EMD分析的微弱信号冗余模态消除方法 | 第41-49页 |
| 2.5 改进的EMD算法在微弱信号特征提取中的应用 | 第49-57页 |
| 2.6 本章小结 | 第57-58页 |
| 第3章 小幅值微弱信号的空间-频域特征提取 | 第58-76页 |
| 3.1 引言 | 第58页 |
| 3.2 波前功率谱密度评价方法 | 第58-62页 |
| 3.3 基于二维小波变换的多尺度分析 | 第62-69页 |
| 3.4 小幅值微弱信号的BEMD分析 | 第69-71页 |
| 3.5 基于改进的BEMD的小幅值微弱信号分析 | 第71-75页 |
| 3.6 本章小结 | 第75-76页 |
| 第4章 基于改进的GA和ROC的微弱信号特征选择 | 第76-99页 |
| 4.1 引言 | 第76页 |
| 4.2 遗传算法的基本原理 | 第76-77页 |
| 4.3 基于改进的GA的优化特征选择策略 | 第77-79页 |
| 4.4 基于ROC方法的主特征选择 | 第79-83页 |
| 4.4.1 受测试者曲线分析法 | 第79-81页 |
| 4.4.2 基于ROC分析的主特征选择方法 | 第81-83页 |
| 4.5 基于微弱信号主特征分析的早期性能衰退故障识别 | 第83-98页 |
| 4.5.1 典型机械零部件的性能衰退过程描述 | 第86-87页 |
| 4.5.2 统计特征和模型分类性能关系的建立 | 第87-91页 |
| 4.5.3 旋转机械早期故障微弱信号的主特征选择 | 第91-94页 |
| 4.5.4 基于微弱信号主特征分析的故障识别和对比分析 | 第94-98页 |
| 4.6 本章小结 | 第98-99页 |
| 第5章 基于改进的流形学习的微弱信号特征降维 | 第99-119页 |
| 5.1 引言 | 第99页 |
| 5.2 特征降维与特征选择的关系 | 第99-101页 |
| 5.3 流形学习方法及算法仿真 | 第101-105页 |
| 5.3.1 局部线性嵌入方法 | 第101-103页 |
| 5.3.2 典型测试信号的仿真分析 | 第103-105页 |
| 5.4 改进的局部嵌入映射方法 | 第105-108页 |
| 5.5 基于微弱信号特征降维的刀具早期磨损故障识别 | 第108-118页 |
| 5.5.1 基于互信息分析的LLE方法 | 第108-109页 |
| 5.5.2 基于改进的LLE方法的刀具早期磨损故障识别 | 第109-116页 |
| 5.5.3 与其他降维方法对比分析 | 第116-118页 |
| 5.6 本章小结 | 第118-119页 |
| 结论 | 第119-121页 |
| 参考文献 | 第121-138页 |
| 攻读博士学位期间发表的论文及其它成果 | 第138-140页 |
| 致谢 | 第140-142页 |
| 个人简历 | 第142页 |
