| 第1章 绪论 | 第1-26页 |
| 1．1 研究背景及意义 | 第11-12页 |
| 1．2 摆式列车倾摆控制系统的研究与应用现状 | 第12-14页 |
| 1．3 倾摆控制系统的故障诊断研究与应用现状 | 第14-15页 |
| 1．4 故障诊断技术的研究与应用现状 | 第15-19页 |
| 1．4．1 基于解析模型的方法 | 第16页 |
| 1．4．2 基于信号处理的方法 | 第16-17页 |
| 1．4．3 基于知识的方法 | 第17-18页 |
| 1．4．4 几种故障诊断方法的对比 | 第18-19页 |
| 1．4．5 故障诊断技术研究中的一个问题 | 第19页 |
| 1．5 基于神经网络的故障诊断研究与应用现状 | 第19-24页 |
| 1．5．1 基于BP神经网络的故障诊断 | 第20-21页 |
| 1．5．2 基于RBF神经网络的故障诊断 | 第21页 |
| 1．5．3 基于BAM神经网络的故障诊断 | 第21-22页 |
| 1．5．4 基于自组织特征映射（SOM）神经网络的故障诊断 | 第22页 |
| 1．5．5 基于Hopfield神经网络的故障诊断 | 第22页 |
| 1．5．6 基于模糊神经网络的故障诊断 | 第22-23页 |
| 1．5．7 基于小波分析与神经网络结合的故障诊断 | 第23页 |
| 1．5．8 存在的问题 | 第23-24页 |
| 1．6 本文的主要工作与创新 | 第24-26页 |
| 第2章 神经网络理论 | 第26-44页 |
| 2．1 神经网络的发展和特点 | 第26-28页 |
| 2．1．1 神经网络研究的发展 | 第26-27页 |
| 2．1．2 神经网络的主要特点 | 第27-28页 |
| 2．2 反向传播（BP）神经网络 | 第28-38页 |
| 2．2．1 网络结构 | 第28页 |
| 2．2．2 BP算法 | 第28-33页 |
| 2．2．3 网络结构的确定 | 第33-34页 |
| 2．2．4 BP算法的改进措施 | 第34-38页 |
| 2．3 径向基函数（RBF）神经网络 | 第38-42页 |
| 2．3．1 网络结构 | 第38-40页 |
| 2．3．2 RBF网络的学习方法 | 第40-41页 |
| 2．3．3 RBF网络的特点 | 第41-42页 |
| 2．4 模糊BP神经网络 | 第42-43页 |
| 2．4．1 模糊BP神经网络的结构 | 第42-43页 |
| 2．4．2 模糊BP网络的学习算法 | 第43页 |
| 2．5 本章小结 | 第43-44页 |
| 第3章 检测子系统的故障诊断研究 | 第44-64页 |
| 3．1 传感器故障诊断的常用方法 | 第45-46页 |
| 3．2 加速度传感器的故障诊断 | 第46-56页 |
| 3．2．1 径向基函数（RBF）神经网络预测器 | 第49-50页 |
| 3．2．2 传感器故障诊断原理 | 第50-52页 |
| 3．2．3 复合故障决策策略 | 第52-54页 |
| 3．2．4 仿真故障实验 | 第54-56页 |
| 3．3 陀螺仪的故障诊断 | 第56-63页 |
| 3．3．1 自适应信号检测器（ASD）的设计 | 第56-58页 |
| 3．3．2 双余度传感器的故障诊断原理 | 第58-61页 |
| 3．3．3 双余度传感器故障诊断递推算法 | 第61页 |
| 3．3．4 故障实验与仿真 | 第61-63页 |
| 3．4 本章小结 | 第63-64页 |
| 第4章 倾摆作动子系统的故障诊断研究 | 第64-74页 |
| 4．1 模糊BP神经网络的结构 | 第65-66页 |
| 4．2 隶属度函数的确定 | 第66-69页 |
| 4．2．1 常见特征量的模糊隶属度 | 第67-68页 |
| 4．2．2 作动子系统输入特征的模糊隶属度 | 第68-69页 |
| 4．2．3 输出模式类别的模糊隶属度 | 第69页 |
| 4．3 模糊BP神经网络的学习方法 | 第69-70页 |
| 4．4 模糊故障诊断 | 第70-71页 |
| 4．5 作动子系统的故障样本 | 第71-72页 |
| 4．6 仿真实验 | 第72-73页 |
| 4．7 本章小结 | 第73-74页 |
| 第5章 倾摆控制系统的故障诊断研究 | 第74-82页 |
| 5．1 倾摆控制系统的故障等级 | 第75页 |
| 5．2 倾摆控制系统的故障对策 | 第75-76页 |
| 5．3 故障控制策略的切换 | 第76-77页 |
| 5．4 应用示例 | 第77-81页 |
| 5．5 本章小结 | 第81-82页 |
| 第6章 倾摆控制系统的故障实验研究 | 第82-100页 |
| 6．1 故障实验 | 第83-85页 |
| 6．2 基于小波变换的故障检测 | 第85-93页 |
| 6．2．1 小波变换和信号突变点 | 第85-86页 |
| 6．2．2 小波基的选择 | 第86-91页 |
| 6．2．3 故障检测中阈值的确定 | 第91页 |
| 6．2．4 应用示例 | 第91-93页 |
| 6．3 基于小波包预处理的神经网络故障诊断 | 第93-98页 |
| 6．3．1 小波包特征提取 | 第93页 |
| 6．3．2 神经网络分类器 | 第93-94页 |
| 6．3．3 应用示例 | 第94-98页 |
| 6．4 本章小结 | 第98-100页 |
| 第7章 倾摆控制系统故障诊断的实现 | 第100-112页 |
| 7．1 数字信号处理器简介 | 第100-103页 |
| 7．1．1 数字信号处理器的特点 | 第100-101页 |
| 7．1．2 C40的主要性能 | 第101-103页 |
| 7．2 神经网络在DSP中的实现 | 第103-108页 |
| 7．2．1 RBF神经网络的实现 | 第103-105页 |
| 7．2．2 BP神经网络的实现 | 第105-108页 |
| 7．3 小波分析在DSP中的实现 | 第108-111页 |
| 7．3．1 半正交B样条小波的分解和重构算法 | 第109-110页 |
| 7．3．2 B—小波包变换的分解和重构算法 | 第110-111页 |
| 7．4 本章小结 | 第111-112页 |
| 结论 | 第112-114页 |
| 致谢 | 第114-115页 |
| 参考文献 | 第115-126页 |
| 攻读博士学位期间发表的论文 | 第126页 |