基于全信息的智能诊断方法及其应用研究
| 摘要 | 第1-4页 |
| Abstract | 第4-9页 |
| 第一章 绪论 | 第9-18页 |
| ·课题的来源、目的和意义 | 第9-10页 |
| ·课题来源 | 第9页 |
| ·课题的提出和意义 | 第9-10页 |
| ·国内外研究概况 | 第10-15页 |
| ·全信息分析技术的研究概况 | 第10-11页 |
| ·模式识别技术及其在故障诊断中应用的研究概况 | 第11-15页 |
| ·本文主要研究内容 | 第15-16页 |
| ·本章小结 | 第16-18页 |
| 第二章 全矢谱分析技术 | 第18-31页 |
| ·概述 | 第18页 |
| ·矢量谱分析 | 第18-25页 |
| ·理论基础 | 第18-21页 |
| ·数值计算 | 第21-23页 |
| ·轴心轨迹图形描述 | 第23-24页 |
| ·实例应用 | 第24-25页 |
| ·矢功率谱分析 | 第25-27页 |
| ·矢功率谱的定义 | 第25页 |
| ·数值计算 | 第25-27页 |
| ·实例应用 | 第27页 |
| ·矢Wigner-Ville分布 | 第27-30页 |
| ·矢Wigner-Ville分布的定义 | 第27-28页 |
| ·数值计算 | 第28-29页 |
| ·实例应用 | 第29-30页 |
| ·本章小结 | 第30-31页 |
| 第三章 全矢谱-RBFN诊断方法及其应用研究 | 第31-39页 |
| ·概述 | 第31页 |
| ·RBF神经网络 | 第31-33页 |
| ·RBF网络模型 | 第32-33页 |
| ·RBF网络训练 | 第33页 |
| ·RBF网络性能 | 第33页 |
| ·全矢谱-RBFN诊断方法及应用研究 | 第33-38页 |
| ·全矢谱-RBFN故障诊断方法 | 第34页 |
| ·实验研究 | 第34-38页 |
| ·本章小结 | 第38-39页 |
| 第四章 全矢谱-FCM诊断方法及其应用研究 | 第39-49页 |
| ·概述 | 第39页 |
| ·模糊C均值聚类分析 | 第39-44页 |
| ·聚类目标函数 | 第39-43页 |
| ·模糊C均值聚类算法 | 第43-44页 |
| ·全矢谱-FCM诊断方法及应用研究 | 第44-48页 |
| ·全矢谱-FCM故障诊断方法 | 第44-45页 |
| ·实验研究 | 第45-48页 |
| ·本章小结 | 第48-49页 |
| 第五章 全矢谱-SVM诊断方法及其应用研究 | 第49-58页 |
| ·概述 | 第49页 |
| ·支持向量机 | 第49-55页 |
| ·二分类支持向量机原理 | 第50-52页 |
| ·常用算法 | 第52-54页 |
| ·多分类支持向量机 | 第54-55页 |
| ·全矢谱-SVM诊断方法及应用研究 | 第55-57页 |
| ·全矢谱-SVM故障诊断方法 | 第56页 |
| ·实验研究 | 第56-57页 |
| ·本章小结 | 第57-58页 |
| 第六章 基于全矢谱-AIS的诊断方法及其应用研究 | 第58-72页 |
| ·概述 | 第58页 |
| ·相关术语 | 第58-59页 |
| ·人工免疫系统 | 第59-61页 |
| ·人工免疫网络模型 | 第60页 |
| ·人工免疫系统模型 | 第60-61页 |
| ·基于免疫原理的算法 | 第61页 |
| ·aiNet免疫网络 | 第61-67页 |
| ·网络定义与描述 | 第61-62页 |
| ·alNet学习算法及网络特点分析 | 第62-65页 |
| ·aiNet学习算法的改进 | 第65-67页 |
| ·基于全矢谱-AIS的诊断方法及应用研究 | 第67-71页 |
| ·基于全矢谱-AIS的故障诊断方法 | 第68页 |
| ·实验研究 | 第68-71页 |
| ·本章小结 | 第71-72页 |
| 第七章 结论及展望 | 第72-75页 |
| ·本文工作及创新 | 第72-74页 |
| ·本文主要工作及结论 | 第72-73页 |
| ·本文创新点 | 第73-74页 |
| ·展望 | 第74-75页 |
| 参考文献 | 第75-81页 |
| 攻读硕士学位期间参与的科研项目和发表的学术论文 | 第81-82页 |
| 致谢 | 第82页 |
