| 摘要 | 第1-5页 |
| Abstract | 第5-9页 |
| 第1章 绪论 | 第9-15页 |
| ·课题来源及研究的目的和意义 | 第9-10页 |
| ·粒子群优化算法的研究现状及应用 | 第10-11页 |
| ·粒子群优化算法的改进方向 | 第10页 |
| ·粒子群优化算法的应用 | 第10-11页 |
| ·故障诊断技术与方法的研究 | 第11-13页 |
| ·故障诊断技术 | 第11页 |
| ·传统故障诊断方法 | 第11-12页 |
| ·基于人工智能结合的故障诊断方法 | 第12-13页 |
| ·本文主要研究内容及文章组成 | 第13-15页 |
| 第2章 基于提高群体多样性的PSO 算法的研究 | 第15-35页 |
| ·基本粒子群算法 | 第15-17页 |
| ·基本粒子群算法原理 | 第15-16页 |
| ·基本粒子群算法流程及缺陷 | 第16-17页 |
| ·MCPSO 算法简介 | 第17-19页 |
| ·MCPSO 算法原理 | 第18页 |
| ·算法流程及缺陷 | 第18-19页 |
| ·提高群体多样性的粒子群优化算法的提出 | 第19-21页 |
| ·两分群的共同工作 | 第20页 |
| ·超级群体的生成 | 第20-21页 |
| ·改进算法的流程 | 第21-22页 |
| ·用于评价算法性能的几个测试函数 | 第22-26页 |
| ·参数的确定 | 第26-32页 |
| ·参数β的确定 | 第26-28页 |
| ·群体粒子数取不同值对比 | 第28-30页 |
| ·粒子维度取不同值时的对比 | 第30-32页 |
| ·仿真结果分析 | 第32-33页 |
| ·本章小结 | 第33-35页 |
| 第3章 PSO-K 均值聚类改进算法的研究 | 第35-46页 |
| ·K 均值聚类算法 | 第35-36页 |
| ·K 均值聚类算法原理及流程 | 第35页 |
| ·算法缺陷 | 第35-36页 |
| ·PSO-K 均值聚类算法 | 第36-37页 |
| ·PSO-K 均值算法原理及流程 | 第36-37页 |
| ·算法缺陷 | 第37页 |
| ·PSO-K 均值聚类算法的改进 | 第37-40页 |
| ·新的粒子速度更新公式的提出 | 第38-39页 |
| ·新的粒子位置更新公式的提出 | 第39页 |
| ·部分粒子进行K 均值聚类运算 | 第39-40页 |
| ·算法流程 | 第40页 |
| ·利用UCI 数据进行的算法性能的评价试验 | 第40-44页 |
| ·对于低维数据聚类性能的评价试验 | 第41-42页 |
| ·对于高维数据聚类性能的评价试验 | 第42-44页 |
| ·试验结果分析 | 第44-45页 |
| ·本章小结 | 第45-46页 |
| 第4章 两种算法在故障诊断中的应用 | 第46-58页 |
| ·轴承故障诊断 | 第46-47页 |
| ·常见轴承故障形式及产生原因 | 第46页 |
| ·用于试验的轴承振动信号数据 | 第46-47页 |
| ·基于ENPSO 的BP 神经网络训练算法 | 第47-49页 |
| ·传统BP 神经网络训练算法 | 第47页 |
| ·ENPSO-BP 神经网络训练算法的原理 | 第47-48页 |
| ·ENPSO-BP 神经网络训练算法的流程 | 第48-49页 |
| ·ENPSO-BP 算法在故障诊断中的应用 | 第49-53页 |
| ·ENPSO-BP 神经网络的建立与样本的选取 | 第49-50页 |
| ·几种PSO-BP 方法的故障诊断结果比较 | 第50-53页 |
| ·改进的PSO-K 均值聚类算法在故障诊断中的应用 | 第53-57页 |
| ·几种算法对于轴承故障数据的聚类性能评价试验 | 第53-54页 |
| ·几种算法在轴承故障诊断中的应用对比 | 第54-57页 |
| ·本章小结 | 第57-58页 |
| 结论 | 第58-59页 |
| 参考文献 | 第59-63页 |
| 致谢 | 第63页 |