| 致谢 | 第3-4页 |
| 摘要 | 第4-6页 |
| abstract | 第6-8页 |
| 变量注释表 | 第28-29页 |
| 1 绪论 | 第29-44页 |
| 1.1 研究背景与意义 | 第29-30页 |
| 1.2 国内外研究现状 | 第30-40页 |
| 1.3 研究内容与创新之处 | 第40-44页 |
| 2 基于EEMD和特征频带选择的故障状态智能识别方法 | 第44-73页 |
| 2.1 引言 | 第44-45页 |
| 2.2 EMD | 第45-50页 |
| 2.3 EEMD | 第50-53页 |
| 2.4 Hilbert包络谱与边际谱 | 第53-54页 |
| 2.5 特征频带选择方法 | 第54-57页 |
| 2.6 支持向量机 | 第57-59页 |
| 2.7 基于特征频带选择的故障诊断模型 | 第59-60页 |
| 2.8 实验验证 | 第60-71页 |
| 2.9 本章小结 | 第71-73页 |
| 3 基于EEMD和改进LFDA的故障状态智能识别方法 | 第73-113页 |
| 3.1 引言 | 第73-74页 |
| 3.2 故障敏感特征选择方法 | 第74-76页 |
| 3.3 基于改进LFDA的特征降维方法 | 第76-83页 |
| 3.4 故障模式识别方法 | 第83-86页 |
| 3.5 基于EEMD和SM-LFDA的故障状态识别框架 | 第86-87页 |
| 3.6 实验分析 | 第87-111页 |
| 3.7 本章小结 | 第111-113页 |
| 4 第四章基于MODWPT和改进NPE的故障状态智能识别方法 | 第113-153页 |
| 4.1 引言 | 第113-114页 |
| 4.2 小波基本理论分析 | 第114-119页 |
| 4.3 基于类别标签的监督NPE方法 | 第119-123页 |
| 4.4 基于MODWPT和改进NPE的故障状态识别框架 | 第123-124页 |
| 4.5 实验分析 | 第124-152页 |
| 4.6 本章小结 | 第152-153页 |
| 5 基于深信度网络的故障状态智能识别方法 | 第153-175页 |
| 5.1 引言 | 第153页 |
| 5.2 深度学习 | 第153-154页 |
| 5.3 深度置信网络 | 第154-155页 |
| 5.4 受限玻尔兹曼机RBM | 第155-157页 |
| 5.5 基于深度置信网络的故障状态识别框架 | 第157-159页 |
| 5.6 实验分析 | 第159-174页 |
| 5.7 本章小结 | 第174-175页 |
| 6 总结与展望 | 第175-178页 |
| 6.1 总结 | 第175-176页 |
| 6.2 展望 | 第176-178页 |
| 参考文献 | 第178-191页 |
| 作者简历 | 第191-194页 |
| 学位论文数据集 | 第194页 |
