基于神经网络的控制系统故障检测与诊断
| 中文摘要 | 第1-4页 |
| 英文摘要 | 第4-7页 |
| 第一章 绪论 | 第7-16页 |
| 1．1 研究背景与意义 | 第7-8页 |
| 1．2 国内外研究水平和发展方向 | 第8-9页 |
| 1．3 控制系统故障诊断的原理概述 | 第9-10页 |
| 1．4 控制系统故障诊断的主要方法 | 第10-14页 |
| 1．5 基于神经网络的故障诊断的优点 | 第14页 |
| 1．6 问题与解决方案 | 第14-16页 |
| 第二章 神经网络的基本理论 | 第16-25页 |
| 2．1 神经元数学模型 | 第16-17页 |
| 2．2 神经网络的基本类型 | 第17-20页 |
| 2．2．1 前馈型网络 | 第17-18页 |
| 2．2．2 反馈型网络 | 第18-20页 |
| 2．3 神经网络常用的几种学习算法 | 第20-23页 |
| 2．4 神经网络与故障诊断结合的途径 | 第23-25页 |
| 2．4．1 模式识别的故障诊断神经网络 | 第23-24页 |
| 2．4．2 故障预测的神经网络 | 第24页 |
| 2．4．3 神经网络故障诊断专家系统 | 第24-25页 |
| 第三章 自组织映射神经网络与多局部模型 | 第25-38页 |
| 3．1 自组织映射神经网络 | 第26-30页 |
| 3．1．1 自组织映射神经网络的基本结构 | 第26-27页 |
| 3．1．2 Kohonen自组织映射算法 | 第27-28页 |
| 3．1．3 Kohonen自组织映射算法的特点 | 第28-30页 |
| 3．2 多局部模型建模 | 第30页 |
| 3．3 学习算法 | 第30-33页 |
| 3．3．1 最小二乘法 | 第30-32页 |
| 3．3．2 梯度下降法 | 第32-33页 |
| 3．4 仿真研究 | 第33-37页 |
| 3．5 小结 | 第37-38页 |
| 第四章 主元分析与传感器故障诊断 | 第38-55页 |
| 4．1 主元分析（PCA） | 第38-40页 |
| 4．2 基于神经网络的主分量提取 | 第40-44页 |
| 4．2．1 Hebb规则 | 第40-41页 |
| 4．2．2 Oja规则 | 第41-43页 |
| 4．2．2．1 Oja算法 | 第41页 |
| 4．2．2．2 Oja算法的收敛性 | 第41-42页 |
| 4．2．2．3 Oja算法的性能 | 第42-43页 |
| 4．2．3 多主分量提取的网络模型 | 第43-44页 |
| 4．2．3．1 广义Hebbian算法 | 第43页 |
| 4．2．3．2 递推线性前馈模型 | 第43-44页 |
| 4．3 基于PCA的故障检测和诊断 | 第44-47页 |
| 4．3．1 故障检测 | 第44-45页 |
| 4．3．2 故障重构和诊断 | 第45-47页 |
| 4．4 传感器故障诊断的PCA预测模型 | 第47-49页 |
| 4．5 应用与仿真 | 第49-55页 |
| 第五章 总结 | 第55-56页 |
| 参考文献 | 第56-59页 |
| 致谢 | 第59页 |
