| 摘要 | 第5-6页 |
| ABSTRACT | 第6页 |
| 第1章 绪论 | 第9-16页 |
| 1.1 研究背景及意义 | 第9-10页 |
| 1.2 旋转机械故障诊断研究现状 | 第10-12页 |
| 1.3 深度学习的发展 | 第12-14页 |
| 1.3.1 感知机 | 第12-13页 |
| 1.3.2 神经网络 | 第13-14页 |
| 1.3.3 深度学习 | 第14页 |
| 1.4 深度学习研究现状 | 第14-15页 |
| 1.5 本文主要研究内容及安排 | 第15-16页 |
| 第2章 基础知识 | 第16-24页 |
| 2.1 人脑视觉机理 | 第16-17页 |
| 2.2 神经网络 | 第17-21页 |
| 2.2.1 单一神经网络元结构 | 第17页 |
| 2.2.2 神经网络模型 | 第17-19页 |
| 2.2.3 反向传播算法 | 第19-21页 |
| 2.3 深度学习 | 第21-23页 |
| 2.3.1 自编码 | 第21-22页 |
| 2.3.2 限制玻尔兹曼机 | 第22页 |
| 2.3.3 卷积神经网络 | 第22-23页 |
| 2.4 本章小结 | 第23-24页 |
| 第3章 基于栈式稀疏自编码的滚动轴承故障诊断 | 第24-33页 |
| 3.1 引言 | 第24页 |
| 3.2 栈式稀疏自编码 | 第24-27页 |
| 3.2.1 逐层预训练 | 第24-27页 |
| 3.2.2 全局微调 | 第27页 |
| 3.3 SOFTMAX分类器 | 第27-28页 |
| 3.4 仿真研究 | 第28-32页 |
| 3.4.1 基于栈式自编码的故障诊断过程 | 第28-29页 |
| 3.4.2 数据预处理 | 第29-30页 |
| 3.4.3 仿真实验 | 第30-32页 |
| 3.5 本章小结 | 第32-33页 |
| 第4章 基于局部循环映射栈式稀疏自编码的滚动轴承故障诊断 | 第33-45页 |
| 4.1 引言 | 第33页 |
| 4.2 基于栈式稀疏自编码的滚动轴承的故障诊断问题描述 | 第33页 |
| 4.3 局部循环映射栈式稀疏自编码网络 | 第33-37页 |
| 4.3.1 局部映射稀疏自编码网络 | 第33-35页 |
| 4.3.2 局部循环映射稀疏自编码网络 | 第35-37页 |
| 4.3.3 全连接层 | 第37页 |
| 4.4 支持向量机(SVM)分类器算法 | 第37-41页 |
| 4.4.1 SVM的由来 | 第37-38页 |
| 4.4.2 SVM形式化表示 | 第38页 |
| 4.4.3 函数距离和几何距离 | 第38-39页 |
| 4.4.4 最优超平面(分割线) | 第39-41页 |
| 4.4.5 多分类SVM | 第41页 |
| 4.5 仿真研究 | 第41-44页 |
| 4.6 本章小结 | 第44-45页 |
| 第5章 基于循环卷积神经网络的滚动轴承故障诊断 | 第45-54页 |
| 5.1 引言 | 第45页 |
| 5.2 卷积神经网络基础介绍 | 第45-46页 |
| 5.2.1 卷积层 | 第46页 |
| 5.2.2 下采样层 | 第46页 |
| 5.2.3 全连接层 | 第46页 |
| 5.3 卷积神经网络模型搭建 | 第46-47页 |
| 5.4 卷积神经网络的计算 | 第47-49页 |
| 5.4.1 前向传播 | 第47-48页 |
| 5.4.2 后向传播 | 第48-49页 |
| 5.5 循环卷积神经网络 | 第49-50页 |
| 5.6 仿真研究 | 第50-53页 |
| 5.7 本章小结 | 第53-54页 |
| 第6章 总结与展望 | 第54-56页 |
| 6.1 工作总结 | 第54页 |
| 6.2 工作展望 | 第54-56页 |
| 致谢 | 第56-57页 |
| 参考文献 | 第57-61页 |
| 附录 | 第61页 |