| 摘要 | 第5-6页 |
| ABSTRACT | 第6-7页 |
| 符号对照表 | 第10-11页 |
| 缩略语对照表 | 第11-15页 |
| 第一章 绪论 | 第15-25页 |
| 1.1 课题来源 | 第15页 |
| 1.2 论文研究背景与意义 | 第15-16页 |
| 1.3 国内外研究现状 | 第16-22页 |
| 1.3.1 大数据分析 | 第16-18页 |
| 1.3.2 故障预测的方法 | 第18-21页 |
| 1.3.3 雷达故障预测方法及存在的问题 | 第21-22页 |
| 1.4 论文研究内容与结构安排 | 第22-23页 |
| 1.4.1 研究内容 | 第22-23页 |
| 1.4.2 论文结构安排 | 第23页 |
| 1.5 本章小结 | 第23-25页 |
| 第二章 某型雷达及其光电系统的组成与故障分析 | 第25-37页 |
| 2.1 引言 | 第25页 |
| 2.2 某型现役雷达系统概述 | 第25-27页 |
| 2.2.1 某型雷达系统组成及其子系统简介 | 第25-27页 |
| 2.2.2 某型雷达的特点 | 第27页 |
| 2.3 某型雷达光电跟踪系统 | 第27-35页 |
| 2.3.1 光电跟踪系统主要构成及其工作原理 | 第28-30页 |
| 2.3.2 光电跟踪系统常见故障分析 | 第30-35页 |
| 2.4 本章小结 | 第35-37页 |
| 第三章 某型现役雷达故障大数据分析 | 第37-57页 |
| 3.1 引言 | 第37页 |
| 3.2 某型雷达故障大数据来源 | 第37-40页 |
| 3.3 基于小波理论的数据降噪方法 | 第40-43页 |
| 3.3.1 小波变换和小波函数 | 第40-42页 |
| 3.3.2 基于小波阈值收缩的雷达数据降噪方法 | 第42-43页 |
| 3.4 某型雷达故障强关联因素辨识 | 第43-47页 |
| 3.4.1 Relief算法 | 第44-45页 |
| 3.4.2 Relief-F算法与多类数据处理 | 第45页 |
| 3.4.3 基于Relief-F算法的雷达故障强关联因素辨识 | 第45-47页 |
| 3.5 实例分析 | 第47-55页 |
| 3.5.1 实验环境和实验数据 | 第47页 |
| 3.5.2 基于小波阈值降噪的数据处理 | 第47-49页 |
| 3.5.3 基于Relief-F算法的强关联因素分析 | 第49-55页 |
| 3.6 本章小结 | 第55-57页 |
| 第四章 基于过程神经网络的雷达状态参数预测 | 第57-73页 |
| 4.1 引言 | 第57页 |
| 4.2 基于离散输入过程神经元网络的状态参数预测模型 | 第57-60页 |
| 4.2.1 过程神经元模型 | 第57-58页 |
| 4.2.2 离散输入过程神经网络模型 | 第58-60页 |
| 4.3 神经网络学习算法的研究 | 第60-63页 |
| 4.3.1 LM算法的推导 | 第60-62页 |
| 4.3.2 LM算法的描述 | 第62-63页 |
| 4.4 PSO-LM算法在神经网络上的应用 | 第63-64页 |
| 4.4.1 LM算法和PSO算法的优点与不足 | 第63-64页 |
| 4.4.2 PSO-LM组合学习算法 | 第64页 |
| 4.5 雷达状态参数预测实例分析 | 第64-71页 |
| 4.6 本章小结 | 第71-73页 |
| 第五章 基于神经网络的雷达故障预测方法 | 第73-85页 |
| 5.1 引言 | 第73页 |
| 5.2 径向基神经网络模型 | 第73-76页 |
| 5.2.1 径向基神经网络理论基础 | 第73-74页 |
| 5.2.2 径向基网络结构 | 第74-75页 |
| 5.2.3 径向基神经网络模型的构建 | 第75-76页 |
| 5.3 某型现役雷达故障预测方法及其原理 | 第76-78页 |
| 5.4 实例分析 | 第78-84页 |
| 5.4.1 状态识别模型的建立 | 第78-80页 |
| 5.4.2 组合预测模型的准确性验证 | 第80-84页 |
| 5.5 本章小结 | 第84-85页 |
| 第六章 总结与展望 | 第85-87页 |
| 6.1 研究总结 | 第85-86页 |
| 6.2 展望 | 第86-87页 |
| 参考文献 | 第87-93页 |
| 附录A 激光测距机故障强关联因素分析样本数据 | 第93-95页 |
| 附录B 多因素DPNN与单因素预测结果相对误差对比 | 第95-97页 |
| 致谢 | 第97-99页 |
| 作者简介 | 第99-100页 |
