| 摘要 | 第5-6页 |
| Abstract | 第6-7页 |
| 符号名称说明 | 第8-14页 |
| 1 绪论 | 第14-26页 |
| 1.1 课题研究背景和意义 | 第14-16页 |
| 1.2 国内外研究现状 | 第16-24页 |
| 1.2.1 非线性过程研究现状 | 第16-17页 |
| 1.2.2 动态性过程研究现状 | 第17页 |
| 1.2.3 深度学习的发展现状 | 第17-23页 |
| 1.2.4 深度学习在过程监测领域的发展现状 | 第23-24页 |
| 1.3 本文的研究内容和创新点 | 第24-25页 |
| 1.3.1 主要研究内容 | 第24页 |
| 1.3.2 章节内容及创新点介绍 | 第24-25页 |
| 1.4 本章小结 | 第25-26页 |
| 2 基于稀疏类别高斯伯努利受限玻尔兹曼机的故障分类 | 第26-40页 |
| 2.1 引言 | 第26-27页 |
| 2.2 类别高斯伯努利受限玻尔兹曼机 | 第27-31页 |
| 2.3 稀疏CGRBM故障分类算法 | 第31-34页 |
| 2.3.1 稀疏编码 | 第31-32页 |
| 2.3.2 稀疏类别高斯伯努利受限玻尔兹曼机(SCGRBM) | 第32页 |
| 2.3.3 基于SCGRBM的故障分类算法 | 第32-34页 |
| 2.4 实例研究_ | 第34-39页 |
| 2.4.1 TE benchmark仿真平台 | 第34-36页 |
| 2.4.2 实验仿真及结果展示 | 第36-38页 |
| 2.4.3 结果分析 | 第38-39页 |
| 2.5 本章小结 | 第39-40页 |
| 3 基于堆叠稀疏GRBM和强化学习的故障分类 | 第40-56页 |
| 3.1 引言 | 第40-41页 |
| 3.2 强化学习介绍 | 第41-43页 |
| 3.3 Q-SDBN故障分类算法 | 第43-49页 |
| 3.3.1 问题描述 | 第43-44页 |
| 3.3.2 SDBN网络及预训练算法 | 第44-46页 |
| 3.3.3 Q-SDBN训练算法 | 第46-49页 |
| 3.4 案例研究 | 第49-54页 |
| 3.4.1 TE过程仿真测试 | 第49-50页 |
| 3.4.2 实验结果及分析 | 第50-54页 |
| 3.5 本章小结 | 第54-56页 |
| 4 基于稀疏GRBM和循环神经网络的故障分类 | 第56-68页 |
| 4.1 引言 | 第56-57页 |
| 4.2 长短时记忆单元(LSTM) | 第57-59页 |
| 4.3 基于SGRBM-LSTM-RNN的故障分类算法 | 第59-62页 |
| 4.3.1 SGRBM-LSTM-RNN网络介绍 | 第59页 |
| 4.3.2 SGRBM-LSTM-RNN训练算法 | 第59-61页 |
| 4.3.3 SGRBM-LSTM-RNN故障分类算法 | 第61-62页 |
| 4.4 案例研究 | 第62-67页 |
| 4.5 本章小结 | 第67-68页 |
| 5 总结和展望 | 第68-72页 |
| 5.1 研究工作总结 | 第68-69页 |
| 5.2 研究工作展望 | 第69-72页 |
| 参考文献 | 第72-76页 |
| 致谢 | 第76-77页 |
| 个人简历 | 第77-78页 |
| 攻读硕士学位期间发表的学术论文 | 第78-79页 |
| 攻读硕士学位期间参加的科研项目 | 第79页 |
