| 摘要 | 第7-8页 |
| Abstract | 第8-9页 |
| 第1章 绪论 | 第12-18页 |
| 1.1 课题的研究背景及意义 | 第12-13页 |
| 1.2 国类外研究现状分析 | 第13-16页 |
| 1.3 本研究的主要内容及安排 | 第16-18页 |
| 第2章 转子运行状态类型简介及故障特征集构造 | 第18-28页 |
| 2.1 引言 | 第18页 |
| 2.2 转子试验台简介 | 第18-19页 |
| 2.3 转子典型运行状态类型简介 | 第19-23页 |
| 2.3.1 转子不对中 | 第19-20页 |
| 2.3.2 转子不平衡 | 第20页 |
| 2.3.3 松动 | 第20-22页 |
| 2.3.4 碰摩 | 第22-23页 |
| 2.3.5 正常 | 第23页 |
| 2.4 故障信号的统计特征提取方法归纳 | 第23-27页 |
| 2.4.1 信号的时域统计量分析 | 第23-25页 |
| 2.4.2 信号的频域统计量分析 | 第25页 |
| 2.4.3 信号的时频域统计量分析 | 第25-27页 |
| 2.5 本章小结 | 第27-28页 |
| 第3章 流形学习算法的数学原理分析 | 第28-36页 |
| 3.1 引言 | 第28页 |
| 3.2 流形学习算法的概念 | 第28-29页 |
| 3.2.1 流形的概念 | 第28-29页 |
| 3.2.2 流形学习算法的物理含义分析 | 第29页 |
| 3.3 典型流形学习算法的原理 | 第29-35页 |
| 3.3.1 等距映射算法（ISOMAP） | 第29-31页 |
| 3.3.2 局部线性嵌入算法（LLE） | 第31-32页 |
| 3.3.3 拉普拉斯特征映射算法（LEIGS） | 第32-34页 |
| 3.3.4 Hessian特征映射算法（HLLE） | 第34-35页 |
| 3.4 本章小结 | 第35-36页 |
| 第4章 KISOMAPLLE算法在人工数据集的应用方法探讨 | 第36-50页 |
| 4.1 引言 | 第36页 |
| 4.2 核函数的概念 | 第36-37页 |
| 4.3 核函数的性质 | 第37页 |
| 4.4 核函数在ISOMAP算法和LLE算法中的应用 | 第37-39页 |
| 4.4.1 KISOMAP算法简介 | 第37-38页 |
| 4.4.2 KLLE算法简介 | 第38-39页 |
| 4.5 基于核函数的ISOMAP算法与LLE算法的融合方法设计 | 第39-40页 |
| 4.6 KISOMAPLLE算法在人工数据集中的应用结果情况 | 第40-48页 |
| 4.6.1 六种算法的降维结果比较 | 第40-44页 |
| 4.6.2 邻域值对算法的影响分析 | 第44页 |
| 4.6.3 噪声对算法的影响分析 | 第44-48页 |
| 4.7 本章小结 | 第48-50页 |
| 第5章 KISOMAPLLE在转子故障诊断中的应用 | 第50-56页 |
| 5.1 引言 | 第50页 |
| 5.2 类间可分性指标的概念 | 第50-51页 |
| 5.3 原始故障特征数据集的二次特征筛选 | 第51页 |
| 5.4 几种算法在转子故障数据集中的应用情况与分析 | 第51-52页 |
| 5.5 数据实验情况分析 | 第52-55页 |
| 5.6 本章小结 | 第55-56页 |
| 总结与展望 | 第56-58页 |
| 主要结论 | 第56-57页 |
| 研究展望 | 第57-58页 |
| 参考文献 | 第58-63页 |
| 致谢 | 第63-64页 |
| 附录A 攻读学位期间所发表的学术论文目录 | 第64-65页 |
| 附录B 参加科研项目情况 | 第65页 |
