| 致谢 | 第5-6页 |
| 摘要 | 第6-8页 |
| Abstract | 第8-10页 |
| 符号与缩写 | 第15-19页 |
| 1 绪论 | 第19-35页 |
| 1.1 引言 | 第19-21页 |
| 1.2 过程监测的基本概念及研究内容 | 第21-24页 |
| 1.3 非线性故障诊断的研究现状 | 第24-31页 |
| 1.4 本文主要内容与创新点 | 第31-35页 |
| 2 广义凸条件下多核学习的非精确投影算法 | 第35-51页 |
| 2.1 引言 | 第35-36页 |
| 2.2 多核学习框架 | 第36-38页 |
| 2.3 广义凸条件下的非精确谱投影在多核学习中的应用 | 第38-46页 |
| 2.4 实验仿真 | 第46-48页 |
| 2.5 小结 | 第48-51页 |
| 3 基于多核技术的特征选择在非线性故障诊断中的应用 | 第51-65页 |
| 3.1 引言 | 第51-53页 |
| 3.2 基于多核学习的非单调特征选择法 | 第53-58页 |
| 3.3 实验仿真 | 第58-63页 |
| 3.4 小结 | 第63-65页 |
| 4 受限Boltzmann机预训练机制下的深度学习在故障诊断中的应用 | 第65-83页 |
| 4.1 引言 | 第65-66页 |
| 4.2 预备知识 | 第66-67页 |
| 4.3 基于L-BFGS优化的稀疏自编码器及预训练过程 | 第67-72页 |
| 4.4 基于ICA-稀疏自编码器的故障检测 | 第72-73页 |
| 4.5 实例研究 | 第73-81页 |
| 4.6 小结 | 第81-83页 |
| 5 一种新的Bayesian鲁棒模型及其在非线性过程故障诊断中的应用 | 第83-107页 |
| 5.1 引言 | 第83-84页 |
| 5.2 预备知识 | 第84-86页 |
| 5.3 Bayesian鲁棒回归模型 | 第86-93页 |
| 5.4 鲁棒性分析和基于BRR的故障诊断 | 第93-97页 |
| 5.5 实例研究 | 第97-105页 |
| 5.6 小结 | 第105-107页 |
| 6 基于Dirichlet过程的非参数贝叶斯故障诊断研究 | 第107-119页 |
| 6.1 引言 | 第107-108页 |
| 6.2 有限混合模型 | 第108-109页 |
| 6.3 变分Dirichlet混合过程模型 | 第109-112页 |
| 6.4 实验研究 | 第112-118页 |
| 6.5 小结 | 第118-119页 |
| 7 总结和展望 | 第119-123页 |
| 7.1 研究工作总结 | 第119-120页 |
| 7.2 研究工作展望 | 第120-123页 |
| 参考文献 | 第123-135页 |
| 作者简历及在学期间取得的主要科研成果 | 第135-136页 |
