| 第一章 绪论 | 第1-16页 |
| 1．1 概述 | 第7页 |
| 1．2 故障诊断技术 | 第7-9页 |
| 1．2．1 故障诊断的发展过程 | 第7-8页 |
| 1．2．2 故障诊断的现状和发展趋势 | 第8-9页 |
| 1．3 模式识别与神经网络的综合应用 | 第9-12页 |
| 1．4 港口起重机械（集装箱岸桥）的状态检测 | 第12-15页 |
| 1．4．1 货物集装箱化和集装箱岸桥的发展 | 第12-13页 |
| 1．4．2 港口起重机械的状态检测技术 | 第13-15页 |
| 1．5 本论文的主要工作及技术难点 | 第15-16页 |
| 第二章 前馈型神经网络的基本原理及其主要算法 | 第16-26页 |
| 2．1 人工神经网络模型 | 第16-17页 |
| 2．2 人工神经网络的学习 | 第17-18页 |
| 2．3 前馈型神经网络及其要算法 | 第18-20页 |
| 2．3．1 前馈型神经网络 | 第18-19页 |
| 2．3．2 BP神经网络的结构与数学描述 | 第19-20页 |
| 2．4 反向传播算法（BP法）的数学描述 | 第20-22页 |
| 2．5 BP算法的改进 | 第22-23页 |
| 2．5．1 变步长的算法 | 第22-23页 |
| 2．5．2 加动量项 | 第23页 |
| 2．5．3 Levenberg-Marquardt优化算法 | 第23页 |
| 2．6 递归神经网络 | 第23-26页 |
| 第三章 岸桥模型实物仿真试验及数据采集软件的设计 | 第26-38页 |
| 3．1 岸桥模型试验的目的 | 第26-27页 |
| 3．2 模型试验方案 | 第27-32页 |
| 3．2．1 测点的布置 | 第27-30页 |
| 3．2．2 模型试验中参数及工况的确定 | 第30-31页 |
| 3．2．3 试验方案的确定 | 第31-32页 |
| 3．3 试验数据采集软件的设计 | 第32-38页 |
| 3．3．1 虚拟仪器的简介 | 第32-33页 |
| 3．3．2 系统的设计 | 第33-36页 |
| 3．3．3 软件的使用 | 第36-38页 |
| 第四章 基于神经网络的岸桥工况状态识别技术的研究 | 第38-52页 |
| 4．1 基于BP算法的岸桥工况状态识别神经网络的建立 | 第38-39页 |
| 4．1．1 神经网络输入层和输出层单元的确定 | 第38页 |
| 4．1．2 隐层数的确定 | 第38页 |
| 4．1．3 隐层单元数的确定 | 第38-39页 |
| 4．1．4 初始值的选择 | 第39页 |
| 4．2 基于BP算法的神经网络的学习及其不足 | 第39-42页 |
| 4．3 带有偏差单元的递归神经网络的建立 | 第42-46页 |
| 4．4 带有偏差单元的递归神经网络的岸桥模型工况状态的识别 | 第46-49页 |
| 4．4．1 学习速度对网络的影响 | 第46-47页 |
| 4．4．2 输入值的预处理对网络学习的影响 | 第47-48页 |
| 4．4．3 样本的排列顺序对网络学习结果的影响 | 第48页 |
| 4．4．4 综合分析 | 第48-49页 |
| 4．5 测点布置与网络结构的优化分析 | 第49-52页 |
| 第五章 结论和展望 | 第52-53页 |
| 5．1 结论 | 第52页 |
| 5．2 进一步的工作 | 第52-53页 |
| 附录1 采集数据的记录表 | 第53-56页 |
| 附录2 基于带偏差值的递归神经网络训练过程的主要程序 | 第56-58页 |
| 攻读硕士学位期间完成的科研论文及有关科研项目 | 第58-59页 |
| 致谢 | 第59-60页 |
| 参考文献 | 第60-63页 |
