| 摘要 | 第1-4页 |
| Abstract | 第4-7页 |
| 主要符号对照表 | 第7-9页 |
| 第1章 引言 | 第9-19页 |
| ·研究背景 | 第9-11页 |
| ·国内外研究现状 | 第11-13页 |
| ·国外研究现状 | 第11-12页 |
| ·国内研究现状 | 第12-13页 |
| ·航空发动机气路故障诊断技术 | 第13-17页 |
| ·航空发动机常见气路故障分析 | 第13-14页 |
| ·航空发动机气路故障诊断原理 | 第14-15页 |
| ·常用的航空发动机气路故障诊断技术 | 第15-17页 |
| ·本文研究内容以及结构安排 | 第17-19页 |
| 第2章 基于相关向量机的航空发动机气路故障诊断 | 第19-48页 |
| ·引言 | 第19页 |
| ·支持向量机 | 第19-23页 |
| ·线性可分问题 | 第19-22页 |
| ·线性不可分问题 | 第22-23页 |
| ·相关向量机 | 第23-31页 |
| ·回归模型 | 第23-27页 |
| ·分类模型 | 第27-28页 |
| ·核函数的选择 | 第28-29页 |
| ·相关向量机性能分析 | 第29-31页 |
| ·基于相关向量机的航空发动机气路故障诊断 | 第31-46页 |
| ·基于相关向量机的航空发动机气路故障诊断模型 | 第31-33页 |
| ·二元分类故障诊断 | 第33-39页 |
| ·多分类故障诊断 | 第39-46页 |
| ·本章小结 | 第46-48页 |
| 第3章 基于M-RVM的航空发动机气路故障诊断 | 第48-54页 |
| ·引言 | 第48页 |
| ·M-RVM原理 | 第48-50页 |
| ·基于M-RVM的航空发动机气路故障诊断 | 第50-53页 |
| ·建立M-RVM故障诊断模型 | 第50-52页 |
| ·故障诊断结果 | 第52-53页 |
| ·本章小结 | 第53-54页 |
| 第4章 基于相关向量机和RBF神经网络融合方法的航空发动机气路故障诊断 | 第54-69页 |
| ·引言 | 第54页 |
| ·神经网络 | 第54-59页 |
| ·概述 | 第54-55页 |
| ·人工神经元模型 | 第55-57页 |
| ·人工神经网络结构 | 第57-58页 |
| ·RBF神经网络 | 第58-59页 |
| ·基于RBF神经网络和相关向量机融合方法航空发动机故障诊断 | 第59-67页 |
| ·基于融合方法的故障诊断模型 | 第59-60页 |
| ·选取特征向量 | 第60页 |
| ·选取样本数据 | 第60-61页 |
| ·故障诊断结果 | 第61-67页 |
| ·本章小结 | 第67-69页 |
| 第5章 结论与展望 | 第69-71页 |
| ·结论 | 第69页 |
| ·展望 | 第69-71页 |
| 参考文献 | 第71-75页 |
| 致谢 | 第75-77页 |
| 个人简历、在学期间发表的学术论文与研究成果 | 第77页 |