| 中文摘要 | 第3-4页 |
| 英文摘要 | 第4-5页 |
| 1 绪论 | 第8-14页 |
| 1.1 课题研究的目的与意义 | 第8页 |
| 1.2 声信号在发动机识别中的研究背景及优越性 | 第8-9页 |
| 1.3 小波分析的发展及应用 | 第9-11页 |
| 1.4 概率神经网络的发展及应用 | 第11-12页 |
| 1.5 论文主要内容 | 第12-14页 |
| 2 发动机声信号去噪方法研究 | 第14-27页 |
| 2.1 发动机声信号的分析方法——小波变换 | 第14-17页 |
| 2.1.1 连续小波变换 | 第14-15页 |
| 2.1.2 离散小波变换 | 第15-17页 |
| 2.2 发动机声信号的去噪 | 第17-21页 |
| 2.2.1 小波去噪概述 | 第17-18页 |
| 2.2.2 小波去噪方法 | 第18-21页 |
| 2.3 发动机声信号的平移不变小波去噪 | 第21-24页 |
| 2.3.1 平移不变的小波去噪 | 第21-22页 |
| 2.3.2 平移量的选取 | 第22-23页 |
| 2.3.3 阈值函数的选取 | 第23-24页 |
| 2.4 仿真分析 | 第24-26页 |
| 2.5 本章小结 | 第26-27页 |
| 3 发动机声信号识别方法研究 | 第27-38页 |
| 3.1 发动机声信号识别方法——神经网络 | 第27-31页 |
| 3.1.1 人工神经元 | 第27-30页 |
| 3.1.2 神经网络的分类及运行方式 | 第30页 |
| 3.1.3 神经网络的学习方式及算法 | 第30-31页 |
| 3.2 发动机声信号识别的概率神经网络 | 第31-37页 |
| 3.2.1 Bayes理论 | 第31-32页 |
| 3.2.2 Parzen窗理论 | 第32-33页 |
| 3.2.3 概率神经网络的结构 | 第33-34页 |
| 3.2.4 概率神经网络的学习算法 | 第34-37页 |
| 3.3 本章小结 | 第37-38页 |
| 4 发动机声信号的采集 | 第38-48页 |
| 4.1 发动机 | 第38-39页 |
| 4.2 发动机声音 | 第39-41页 |
| 4.2.1 发动机声音的分类 | 第39-40页 |
| 4.2.2 发动机异响 | 第40-41页 |
| 4.3 发动机声音的采集条件 | 第41-42页 |
| 4.3.1 测试工况 | 第41页 |
| 4.3.2 测点选择 | 第41-42页 |
| 4.3.3 测试环境 | 第42页 |
| 4.4 发动机声音的采集 | 第42-47页 |
| 4.4.1 传声器 | 第42-43页 |
| 4.4.2 数据采集前端 | 第43-44页 |
| 4.4.3 采集软件 | 第44-46页 |
| 4.4.4 信号测取过程 | 第46-47页 |
| 4.5 本章小结 | 第47-48页 |
| 5 小波去噪后的发动机声信号在概率神经网络中的识别 | 第48-61页 |
| 5.1 发动机声信号的小波去噪 | 第48-53页 |
| 5.1.1 正常发动机 | 第48-49页 |
| 5.1.2 箱体异响发动机 | 第49-51页 |
| 5.1.3 右盖异响发动机 | 第51-52页 |
| 5.1.4 左盖异响发动机 | 第52-53页 |
| 5.2 发动机声信号特征提取 | 第53-57页 |
| 5.2.1 1/3 倍频程的实现 | 第53-55页 |
| 5.2.2 4 种发动机声信号的特征值提取 | 第55-57页 |
| 5.3 基于概率神经网络的发动机声信号识别 | 第57-60页 |
| 5.4 本章小结 | 第60-61页 |
| 6 全文总结与不足 | 第61-62页 |
| 6.1 全文总结 | 第61页 |
| 6.2 不足 | 第61-62页 |
| 致谢 | 第62-63页 |
| 参考文献 | 第63-65页 |