| 摘要 | 第5-6页 |
| Abstract | 第6-7页 |
| 第1章 绪论 | 第10-17页 |
| 1.1 课题研究的背景和意义 | 第10-11页 |
| 1.2 国内外研究现状分析 | 第11-15页 |
| 1.2.1 信号降噪研究现状 | 第11-12页 |
| 1.2.2 健康状态预测研究现状 | 第12-13页 |
| 1.2.3 Ada Boost集成算法研究现状 | 第13-14页 |
| 1.2.4 目前研究中存在的问题与不足 | 第14-15页 |
| 1.3 课题来源和主要研究内容 | 第15-17页 |
| 第2章 旋转机械健康状态信号降噪方法 | 第17-33页 |
| 2.1 SVD降噪方法及不足 | 第17-22页 |
| 2.1.1 传统SVD降噪原理 | 第17-18页 |
| 2.1.2 基于奇异值差分谱的自适应降噪方法及不足 | 第18-22页 |
| 2.2 基于相关系数的时频矩阵SVD的健康状态信号降噪方法 | 第22-27页 |
| 2.2.1 基于EEMD的时频矩阵构造方法 | 第22-23页 |
| 2.2.2 相关系数的计算 | 第23-24页 |
| 2.2.3 降噪方法及其实现步骤 | 第24-25页 |
| 2.2.4 基于相关系数的时频矩阵SVD降噪方法仿真分析 | 第25-27页 |
| 2.3 旋转机械振动数据降噪实验验证 | 第27-31页 |
| 2.4 本章小结 | 第31-33页 |
| 第3章 基于Hadamard门的量子过程神经网路健康状态预测方法 | 第33-48页 |
| 3.1 量子计算理论 | 第33-36页 |
| 3.1.1 量子比特 | 第33-34页 |
| 3.1.2 基本量子门 | 第34-35页 |
| 3.1.3 量子的重要特性 | 第35页 |
| 3.1.4 受控Hadamard门 | 第35-36页 |
| 3.2 受控Hadamard门量子过程神经网络 | 第36-41页 |
| 3.2.1 受控Hadamard门量子过程神经元模型 | 第36-37页 |
| 3.2.2 基于受控Hadamard门的量子过程神经网络 | 第37-38页 |
| 3.2.3 基于Hadamard门量子过程神经网络学习算法 | 第38-40页 |
| 3.2.4 算法设计 | 第40-41页 |
| 3.3 基于CHQPNN旋转机械健康状态预测实验验证 | 第41-46页 |
| 3.3.1 基于CHQPNN的健康状态预测样本构造方法 | 第41-42页 |
| 3.3.2 基于CHQPNN预测模型仿真分析 | 第42-44页 |
| 3.3.3 基于CHQPNN的滚动轴承振动信号实验验证 | 第44-46页 |
| 3.4 本章小结 | 第46-48页 |
| 第4章 基于GA-Ada Boost.RT集成模型健康状态预测 | 第48-58页 |
| 4.1 集成学习与局域建模的关系 | 第48-49页 |
| 4.2 面向回归问题的Ada Boost.RT集成学习算法 | 第49-50页 |
| 4.3 改进的Ada Boost.RT集成算法 | 第50-53页 |
| 4.3.1 遗传算法理论 | 第50页 |
| 4.3.2 GA-Ada Boost.RT集成算法 | 第50-53页 |
| 4.4 基于GA-Ada Boost.RT的集成局域预测模型 | 第53-54页 |
| 4.5 滚动轴承转速偏差实验验证 | 第54-57页 |
| 4.6 本章小结 | 第57-58页 |
| 第5章 旋转机械健康状态监测系统开发 | 第58-69页 |
| 5.1 系统开发环境分析 | 第58-59页 |
| 5.2 系统功能需求 | 第59-60页 |
| 5.3 体系结构设计 | 第60-62页 |
| 5.4 功能及流程设计 | 第62-64页 |
| 5.5 各系统模块设计及实现 | 第64-68页 |
| 5.6 本章小结 | 第68-69页 |
| 结论 | 第69-70页 |
| 参考文献 | 第70-74页 |
| 攻读硕士学位期间发表的学术论文及专利 | 第74-75页 |
| 致谢 | 第75页 |
