| 摘要 | 第4-6页 |
| ABSTRACT | 第6-7页 |
| 第一章 绪论 | 第12-18页 |
| 1.1 课题来源 | 第12页 |
| 1.2 课题背景和意义 | 第12-13页 |
| 1.3 国内外研究现状 | 第13-16页 |
| 1.3.1 多元时序及相关变量分析概述 | 第13-15页 |
| 1.3.2 复杂系统的故障预测方法概述 | 第15-16页 |
| 1.4 课题研究内容 | 第16-17页 |
| 1.5 论文组织结构 | 第17-18页 |
| 第二章 基于K-近邻互信息方法的特征变量提取 | 第18-24页 |
| 2.1 互信息的相关变量选择方法 | 第18-20页 |
| 2.1.1 互信息概述 | 第18-19页 |
| 2.1.2 基于互信息的变量选择方法 | 第19-20页 |
| 2.2 K-近邻互信息的特征变量选择及阈值优化 | 第20-23页 |
| 2.2.1 K-近邻互信息估计 | 第20-21页 |
| 2.2.2 特征变量选择与阈值优化 | 第21-23页 |
| 2.3 本章小结 | 第23-24页 |
| 第三章 特征变量趋势提取及分析 | 第24-30页 |
| 3.1 趋势提取方法概述 | 第24-25页 |
| 3.2 趋势提取过程及其改进 | 第25-29页 |
| 3.2.1 线性分段和阈值优化 | 第25-27页 |
| 3.2.2 片段形状的区分 | 第27-28页 |
| 3.2.3 形状的半定性转换 | 第28页 |
| 3.2.4 片段聚合改进 | 第28-29页 |
| 3.3 本章小结 | 第29-30页 |
| 第四章 基于差分进化极限学习机(DE-ELM)的故障预测模型 | 第30-38页 |
| 4.1 ELM实现机理 | 第30-31页 |
| 4.2 差分进化-极限学习机(DE-ELM)结构优化 | 第31-34页 |
| 4.2.1 DE-ELM神经网络结构编码 | 第32-34页 |
| 4.2.2 适应度函数的构造 | 第34页 |
| 4.3 DE-ELM故障预测模型 | 第34-36页 |
| 4.3.1 多元时序预测 | 第35页 |
| 4.3.2 故障识别 | 第35-36页 |
| 4.4 本章小结 | 第36-38页 |
| 第五章 实验仿真与结果分析 | 第38-50页 |
| 5.1 青霉素发酵过程(Penicillin Fermentation Process,PFP) | 第38-40页 |
| 5.2 多元时序驱动的全流程故障预测 | 第40-47页 |
| 5.2.1 特征变量选取 | 第41-42页 |
| 5.2.2 趋势提取及分析 | 第42-44页 |
| 5.2.3 DE-ELM故障预测 | 第44-47页 |
| 5.3 方法的优缺点 | 第47-48页 |
| 5.4 本章小结 | 第48-50页 |
| 第六章 总结与展望 | 第50-52页 |
| 6.1 全文总结 | 第50页 |
| 6.2 展望 | 第50-52页 |
| 参考文献 | 第52-56页 |
| 致谢 | 第56-58页 |
| 研究成果及发表的学术论文 | 第58-60页 |
| 作者与导师简介 | 第60-61页 |
| 硕士研究生学位论文答辩委员会决议书 | 第61-62页 |
