| 摘要 | 第4-5页 |
| Abstract | 第5-6页 |
| 第1章 绪论 | 第10-25页 |
| 1.1 课题背景及研究的目的和意义 | 第10-11页 |
| 1.2 时间序列预测的研究现状及分析 | 第11-15页 |
| 1.2.1 时间序列预测概述 | 第11-12页 |
| 1.2.2 时间序列预测的步骤 | 第12-13页 |
| 1.2.3 时间序列预测的国内外研究现状 | 第13-15页 |
| 1.2.4 传统时间序列预测存在问题及分析 | 第15页 |
| 1.3 基于深度置信网络的时间序列预测研究现状及分析 | 第15-22页 |
| 1.3.1 深度置信网络发展概述 | 第16-19页 |
| 1.3.2 基于DBN的时间序列预测研究现状 | 第19-22页 |
| 1.3.3 基于DBN的时间序列预测存在问题及分析 | 第22页 |
| 1.4 本文研究内容与结构 | 第22-25页 |
| 第2章 基于DBN的时间序列预测方法研究 | 第25-61页 |
| 2.1 DBN基本原理 | 第25-33页 |
| 2.1.1 限制玻尔兹曼机 | 第25-29页 |
| 2.1.2 DBN结构 | 第29-31页 |
| 2.1.3 DBN训练过程 | 第31-33页 |
| 2.2 基于DBN的时间序列预测模型 | 第33-37页 |
| 2.2.1 DBN预测框架及流程 | 第33-35页 |
| 2.2.2 标准数据集及算法评价指标 | 第35-37页 |
| 2.3 面向时间序列预测的DBN网络参数效能研究 | 第37-53页 |
| 2.3.1 输入节点数 | 第37-44页 |
| 2.3.2 网络层数 | 第44-48页 |
| 2.3.3 隐层节点数 | 第48-49页 |
| 2.3.4 基于PSO算法的网络参数优化 | 第49-53页 |
| 2.4 DBN与传统时间序列预测方法性能对比 | 第53-60页 |
| 2.4.1 单步预测性能对比 | 第53-58页 |
| 2.4.2 多步预测性能对比 | 第58-60页 |
| 2.5 本章小结 | 第60-61页 |
| 第3章 基于DBN的轴承健康状态预测研究 | 第61-80页 |
| 3.1 轴承健康状态预测简介 | 第61-68页 |
| 3.1.1 轴承健康状态预测背景及现状 | 第61-62页 |
| 3.1.2 基于DBN的轴承健康状态预测流程 | 第62-64页 |
| 3.1.3 PHM2012数据及评价体系介绍 | 第64-67页 |
| 3.1.4 数据预处理及结果 | 第67-68页 |
| 3.2 基于DBN的轴承健康状态单步预测 | 第68-71页 |
| 3.2.1 实验参数设置及研究过程 | 第69-70页 |
| 3.2.2 单步预测结果及对比分析 | 第70-71页 |
| 3.3 基于DBN的轴承健康状态多步预测 | 第71-74页 |
| 3.3.1 多步预测研究思路与参数设置 | 第72页 |
| 3.3.2 实验结果及对比分析 | 第72-74页 |
| 3.4 基于DBN的轴承剩余寿命预测 | 第74-79页 |
| 3.4.1 实验设置及结果 | 第75-77页 |
| 3.4.2 实验对比及分析 | 第77-79页 |
| 3.5 本章小结 | 第79-80页 |
| 第4章 基于融合算法的锂离子电池剩余寿命预测研究 | 第80-103页 |
| 4.1 DBN与RVM融合预测算法 | 第80-89页 |
| 4.1.1 传统预测算法选择 | 第80-85页 |
| 4.1.2 融合算法及其训练流程研究 | 第85-87页 |
| 4.1.3 融合算法验证及分析 | 第87-89页 |
| 4.2 基于融合算法的电池剩余寿命预测 | 第89-98页 |
| 4.2.1 电池剩余寿命预测简介 | 第89-90页 |
| 4.2.2 电池容量退化数据及评价指标 | 第90-91页 |
| 4.2.3 实验设置及结果 | 第91-95页 |
| 4.2.4 实验对比及分析 | 第95-98页 |
| 4.3 基于融合算法的预测结果不确定度表达 | 第98-102页 |
| 4.3.1 融合算法的不确定度表达 | 第98-100页 |
| 4.3.2 电池剩余寿命的不确定度结果 | 第100-102页 |
| 4.4 本章小结 | 第102-103页 |
| 结论 | 第103-105页 |
| 参考文献 | 第105-117页 |
| 攻读学位期间发表的学术论文 | 第117-119页 |
| 致谢 | 第119页 |