| 摘要 | 第4-5页 |
| Abstract | 第5-6页 |
| 第一章 绪论 | 第11-17页 |
| 1.1 课题背景及研究意义 | 第11-12页 |
| 1.2 国内外发展概况 | 第12-15页 |
| 1.2.1 国外研究现状 | 第12-14页 |
| 1.2.2 国内研究现状 | 第14-15页 |
| 1.3 主要工作内容及章节安排 | 第15-17页 |
| 第二章 深度学习理论概述 | 第17-27页 |
| 2.1 深度学习神经网络概况 | 第17页 |
| 2.2 深度学习理论及算法 | 第17-19页 |
| 2.3 深度学习神经网络的常用方法 | 第19-24页 |
| 2.3.1 自动编码网络 | 第19-22页 |
| 2.3.2 深度信念网络 | 第22-23页 |
| 2.3.3 卷积神经网络 | 第23-24页 |
| 2.4 Keras深度学习框架 | 第24-26页 |
| 2.4.1 深度学习框架介绍 | 第24页 |
| 2.4.2 深度学习环境搭建 | 第24-26页 |
| 2.5 本章小结 | 第26-27页 |
| 第三章 基于堆栈降噪自编码网络的无人机故障诊断 | 第27-45页 |
| 3.1 六旋翼无人机故障分析 | 第27-29页 |
| 3.1.1 六旋翼无人机结构 | 第27-28页 |
| 3.1.2 六旋翼无人机执行器故障 | 第28-29页 |
| 3.2 基于SDAENs的无人机执行器故障诊断 | 第29-37页 |
| 3.2.1 数据样本的获取 | 第31-32页 |
| 3.2.2 数据预处理 | 第32-33页 |
| 3.2.3 基于SDAENs的无人机执行器故障诊断模型 | 第33-37页 |
| 3.3 无人机执行器故障诊断实验结果分析 | 第37-42页 |
| 3.3.1 不同样本长度的研究 | 第37-40页 |
| 3.3.2 不同AE层数的研究 | 第40-42页 |
| 3.4 无人机故障诊断模型的应用 | 第42-44页 |
| 3.5 本章小结 | 第44-45页 |
| 第四章 基于深度神经网络的航空发动机故障诊断 | 第45-61页 |
| 4.1 航空发动机气路部件故障 | 第45-48页 |
| 4.1.1 航空发动机结构 | 第45-46页 |
| 4.1.2 航空发动机气路故障 | 第46-48页 |
| 4.2 基于深度神经网络的航空发动机气路部件故障诊断 | 第48-54页 |
| 4.2.1 数据样本的获取 | 第49-50页 |
| 4.2.2 数据预处理 | 第50-51页 |
| 4.2.3 基于深度神经网络的发动机气路部件故障诊断模型 | 第51-54页 |
| 4.3 航空发动机气路部件故障诊断实验结果分析 | 第54-57页 |
| 4.4 航空发动机气路部件故障诊断模型的应用 | 第57-59页 |
| 4.5 本章小结 | 第59-61页 |
| 第五章 总结与展望 | 第61-63页 |
| 5.1 工作的总结 | 第61-62页 |
| 5.2 未来的展望 | 第62-63页 |
| 参考文献 | 第63-66页 |
| 致谢 | 第66页 |
