| 摘要 | 第1-5页 |
| Abstract | 第5-8页 |
| 1 绪论 | 第8-16页 |
| ·基于非线性时间序列的机械故障模式识别研究意义 | 第8页 |
| ·模式识别的研究方法 | 第8-11页 |
| ·模式识别的概述 | 第8-9页 |
| ·模式识别的方法 | 第9-11页 |
| ·基于非线性时间序列的模式识别研究方法及现状 | 第11-14页 |
| ·故障诊断中的信号拾取 | 第11-12页 |
| ·对时间序列信号的预处理 | 第12页 |
| ·信号的特征选择和特征提取 | 第12-13页 |
| ·故障信号的模式识别 | 第13-14页 |
| ·基于非线性时间序列的模式识别研究趋势 | 第14-15页 |
| ·本文的主要研究内容 | 第15-16页 |
| 2 基于相空间重构与局部独立分量分析的降噪算法 | 第16-32页 |
| ·非线性时间序列的相空间重构 | 第16-17页 |
| ·独立分量分析 | 第17-23页 |
| ·独立分量分析的研究现状 | 第17-18页 |
| ·独立分量分析的模型及应用条件 | 第18-21页 |
| ·ICA 模型估计原理与具体算法 | 第21-23页 |
| ·局部独立投影降噪算法 | 第23-25页 |
| ·ICA 在信号降噪中的应用 | 第23页 |
| ·局部独立投影降噪算法的基本原理 | 第23页 |
| ·局部独立投影降噪算法的实现 | 第23-25页 |
| ·局部独立投影降噪算法对仿真信号的降噪 | 第25-29页 |
| ·对正弦信号的仿真实验 | 第26-27页 |
| ·Lorenz 信号的仿真实验 | 第27-29页 |
| ·局部独立投影降噪算法在低速重载轴承故障诊断中的应用 | 第29-31页 |
| ·本章小结 | 第31-32页 |
| 3 基于非线性时间序列的模式识别 | 第32-48页 |
| ·非线性动力学参数的基础 | 第32-34页 |
| ·奇怪吸引子 | 第32-34页 |
| ·关联维数 | 第34-36页 |
| ·豪斯多夫测度 | 第34页 |
| ·豪斯多夫维数及关联维 | 第34-36页 |
| ·李雅普洛夫指数 | 第36-38页 |
| ·柯尔莫哥罗夫熵(K 熵 | 第38-39页 |
| ·支持向量机 | 第39-45页 |
| ·统计学习理论 | 第39-41页 |
| ·支持向量机分类模型 | 第41-44页 |
| ·支持向量机 | 第44-45页 |
| ·基于非线性时间序列的模式识别算法 | 第45页 |
| ·基于非线性时间序列的齿轮故障模式识别 | 第45-47页 |
| ·本章小结 | 第47-48页 |
| 4 总结与展望 | 第48-50页 |
| ·总结 | 第48页 |
| ·展望 | 第48-50页 |
| 参考文献 | 第50-54页 |
| 致谢 | 第54-55页 |
| 攻读硕士期间发表论文 | 第55页 |