| 摘要 | 第5-6页 |
| ABSTRACT | 第6-7页 |
| 第1章 绪论 | 第10-15页 |
| 1.1 课题研究的背景和意义 | 第10-11页 |
| 1.2 国内外的研究现状 | 第11-13页 |
| 1.2.1 神经网络技术研究现状 | 第11-13页 |
| 1.2.2 D-S证据理论研究现状 | 第13页 |
| 1.3 本文主要研究内容 | 第13-15页 |
| 第2章 压载水系统故障分析 | 第15-24页 |
| 2.1 压载水系统组成 | 第15-17页 |
| 2.2 压载水系统工作过程 | 第17-19页 |
| 2.3 系统故障分析 | 第19-23页 |
| 2.3.1 压载水系统故障特点 | 第19-20页 |
| 2.3.2 压载水系统常见故障分析 | 第20-23页 |
| 2.4 本章小结 | 第23-24页 |
| 第3章 基于神经网络的故障诊断方法 | 第24-55页 |
| 3.1 神经网络基础 | 第24-32页 |
| 3.1.1 人工神经元模型 | 第24-25页 |
| 3.1.2 神经网络激活函数 | 第25-26页 |
| 3.1.3 神经网络的拓扑结构 | 第26-29页 |
| 3.1.4 神经网络的学习 | 第29-32页 |
| 3.2 BP神经网络 | 第32-39页 |
| 3.2.1 BP神经网络结构 | 第32-34页 |
| 3.2.2 BP学习算法 | 第34-37页 |
| 3.2.3 BP网络的优缺点及改进 | 第37-39页 |
| 3.3 设计基于神经网络的故障诊断方法 | 第39-42页 |
| 3.3.1 神经网络故障诊断的实质 | 第39-40页 |
| 3.3.2 基于BP网络的故障诊断流程 | 第40-42页 |
| 3.4 基于神经网络的压载水系统故障诊断 | 第42-54页 |
| 3.4.1 压载水系统监测点布置 | 第42-43页 |
| 3.4.2 构建神经网络 | 第43-44页 |
| 3.4.3 训练神经网络 | 第44-50页 |
| 3.4.4 测试神经网络 | 第50-54页 |
| 3.5 本章小结 | 第54-55页 |
| 第4章 基于D-S证据理论的融合诊断方法 | 第55-65页 |
| 4.1 证据理论基本概念 | 第55-58页 |
| 4.2 证据理论的合成规则 | 第58-61页 |
| 4.2.1 两个证据的合成规则 | 第59-60页 |
| 4.2.2 多个证据的合成规则 | 第60页 |
| 4.2.3 证据合成规则的基本性质 | 第60-61页 |
| 4.3 证据理论的决策规则 | 第61-62页 |
| 4.4 D-S证据理论融合故障诊断方法 | 第62-64页 |
| 4.5 本章小结 | 第64-65页 |
| 第5章 基于神经网络与D-S证据融合的故障诊断方法 | 第65-73页 |
| 5.1 设计BP神经网络与证据理论结合的故障诊断方法 | 第65-68页 |
| 5.1.1 局部BP神经网络诊断层 | 第66-67页 |
| 5.1.2 D-S证据融合决策层 | 第67-68页 |
| 5.2 压载水系统故障诊断模型 | 第68-72页 |
| 5.2.1 局部BP神经网络设计 | 第68-71页 |
| 5.2.2 D-S证据融合决策层设计 | 第71-72页 |
| 5.3 本章小结 | 第72-73页 |
| 第6章 压载水系统故障诊断模型仿真验证 | 第73-99页 |
| 6.1 样本数据获取与处理 | 第73-77页 |
| 6.2 BP神经网络初步诊断 | 第77-83页 |
| 6.3 D-S证据理论融合决策 | 第83-90页 |
| 6.4 测试压载水系统故障诊断模型 | 第90-98页 |
| 6.4.1 测试样本预处理 | 第90-93页 |
| 6.4.2 测试局部BP神经网络 | 第93-95页 |
| 6.4.3 输出最终测试结果 | 第95-98页 |
| 6.5 本章小结 | 第98-99页 |
| 结论与展望 | 第99-101页 |
| 参考文献 | 第101-105页 |
| 致谢 | 第105-106页 |
| 作者简介 | 第106页 |