| 致谢 | 第3-4页 |
| 摘要 | 第4-5页 |
| abstract | 第5页 |
| 1 绪论 | 第14-20页 |
| 1.1 课题背景和意义 | 第14-15页 |
| 1.2 课题研究现状与发展 | 第15-16页 |
| 1.3 课题方法的研究现状 | 第16-19页 |
| 1.4 本论文主要研究内容与章节安排 | 第19-20页 |
| 2 矿井通风机工作原理和故障分析 | 第20-27页 |
| 2.1 引言 | 第20页 |
| 2.2 矿井通风机工作原理 | 第20-22页 |
| 2.3 矿井通风机系统故障分析 | 第22-26页 |
| 2.4 本章小结 | 第26-27页 |
| 3 基于深度置信网络的通风机故障特征提取的研究 | 第27-48页 |
| 3.1 引言 | 第27页 |
| 3.2 深度置信网络特征提取原理 | 第27-35页 |
| 3.3 受限玻尔兹曼机特征提取能力研究 | 第35-42页 |
| 3.4 深度置信网络特征提取能力研究 | 第42-47页 |
| 3.5 本章小结 | 第47-48页 |
| 4 矿井通风机故障预测方法的研究 | 第48-70页 |
| 4.1 引言 | 第48页 |
| 4.2 神经网络概述 | 第48-54页 |
| 4.3 粒子群算法与量子粒子群算法优化性能研究 | 第54-64页 |
| 4.4 量子粒子群优化RBF神经网络算法研究 | 第64-68页 |
| 4.5 本章小结 | 第68-70页 |
| 5 DBN和QPSO-RBF神经网络在矿井通风机故障预测中的应用 | 第70-80页 |
| 5.1 引言 | 第70页 |
| 5.2 通风机轴承故障研究方法 | 第70-73页 |
| 5.3 基于DBN的矿井通风机故障特征提取 | 第73-74页 |
| 5.4 基于QPSO-RBF的矿井通风机故障预测 | 第74-77页 |
| 5.5 基于DBN的矿井通风机故障分类 | 第77-79页 |
| 5.6 本章小结 | 第79-80页 |
| 6 总结与展望 | 第80-82页 |
| 6.1 总结 | 第80页 |
| 6.2 展望 | 第80-82页 |
| 参考文献 | 第82-87页 |
| 作者简历 | 第87-89页 |
| 学位论文数据集 | 第89页 |