基于解释学习策略的汽车变速器故障诊断研究
| 摘要 | 第1-3页 |
| Abstract | 第3-7页 |
| 第一章 引言 | 第7-13页 |
| ·工程背景与开展此项研究的意义 | 第7页 |
| ·总体解决方案 | 第7-10页 |
| ·问题的提出 | 第7-9页 |
| ·总体解决方案 | 第9-10页 |
| ·国内外研究现状 | 第10-12页 |
| ·智能诊断问题 | 第10-11页 |
| ·学习/推理问题 | 第11-12页 |
| ·本工作主要研究内容 | 第12页 |
| ·项目来源 | 第12-13页 |
| 第二章 领域知识的表述 | 第13-18页 |
| ·概述 | 第13页 |
| ·领域知识表示的基本概念 | 第13页 |
| ·领域知识产生式表述方法 | 第13-16页 |
| ·产生式表示 | 第13-14页 |
| ·产生式系统基本结构 | 第14-16页 |
| ·知识推理、规则库 | 第16-17页 |
| ·知识推理方向 | 第16-17页 |
| ·规则库 | 第17页 |
| ·小结 | 第17-18页 |
| 第三章 基于解释学习策略的决策树推理机 | 第18-30页 |
| ·概述 | 第18页 |
| ·解释学习 | 第18-21页 |
| ·学习中的知识 | 第18-19页 |
| ·解释学习 | 第19-20页 |
| ·EBL实例解释程序 | 第20-21页 |
| ·基于决策树的解释结构 | 第21-23页 |
| ·决策树学习 | 第21-22页 |
| ·决策树 | 第22页 |
| ·解释结构 | 第22-23页 |
| ·基于正向推理的机器学习 | 第23-24页 |
| ·演绎推理 | 第23页 |
| ·正向推理 | 第23-24页 |
| ·基于ID3算法的推理机模型 | 第24-28页 |
| ·ID3算法数学基础 | 第24-25页 |
| ·ID3属性选择标准 | 第25-26页 |
| ·ID3算法过程 | 第26页 |
| ·ID3算法举例 | 第26-28页 |
| ·推理机的算法流程 | 第28页 |
| ·推理机的推理演绎 | 第28-29页 |
| ·小结 | 第29-30页 |
| 第四章 基于分位算法的参数估计 | 第30-42页 |
| ·概述 | 第30页 |
| ·观测样本 | 第30页 |
| ·训练样本 | 第30页 |
| ·测试样本 | 第30页 |
| ·符号型决策表、连续属性离散化 | 第30-32页 |
| ·连续型属性离散化 | 第31页 |
| ·符号型决策表 | 第31-32页 |
| ·观测样本的数字特征与影响因素 | 第32-36页 |
| ·观测样本的数字特征的经典检验方法 | 第32-34页 |
| ·样本规模对参数检验结果的影响 | 第34-35页 |
| ·噪声对参数检验的影响 | 第35-36页 |
| ·基于分位算法的参数估计 | 第36-39页 |
| ·中位数理论 | 第37-38页 |
| ·分位算法 | 第38-39页 |
| ·分割点的选取 | 第39页 |
| ·决策表 | 第39-41页 |
| ·小结 | 第41-42页 |
| 第五章 应用例研究 | 第42-70页 |
| ·概述 | 第42页 |
| ·汽车变速器新产品生产检验与故障诊断 | 第42-46页 |
| ·振动信号采集系统 | 第42-43页 |
| ·数据采集 | 第43-46页 |
| ·先验领域知识及领域知识库 | 第46-51页 |
| ·时域知识库 | 第46-49页 |
| ·频域知识库 | 第49-51页 |
| ·训练/测试样本库 | 第51-55页 |
| ·正例训练样例与训练样本库 | 第51-53页 |
| ·正反例测试样例与测试样本库 | 第53-55页 |
| ·推理规则与推理规则库 | 第55-65页 |
| ·推理器学习、训练 | 第65-67页 |
| ·推理机泛化精度评估 | 第67-69页 |
| ·小结 | 第69-70页 |
| 第六章 结论 | 第70-72页 |
| ·主要研究成果 | 第70页 |
| ·主要创新点 | 第70-72页 |
| 致谢 | 第72-73页 |
| 参考文献 | 第73-76页 |
| 作者简介 | 第76页 |
| 攻读学位期间的研究成果 | 第76-77页 |
