| 摘要 | 第1-8页 |
| Abstract | 第8-16页 |
| 第1章 绪论 | 第16-31页 |
| ·汽轮发电机组智能故障诊断研究的意义 | 第16-17页 |
| ·汽轮发电机组故障诊断技术研究的现状 | 第17-22页 |
| ·国内外发展概况 | 第17-19页 |
| ·汽轮机故障诊断技术的研究 | 第19-21页 |
| ·汽轮机故障诊断中存在的问题 | 第21-22页 |
| ·智能故障诊断理论研究的现状 | 第22-29页 |
| ·基于传统人工智能方法的故障诊断技术 | 第22-24页 |
| ·基于Hilbert-Huang变换的故障诊断方法研究的现状 | 第24-26页 |
| ·基于神经网络集成的故障诊断方法研究的现状 | 第26-29页 |
| ·本文的研究内容和结构 | 第29-31页 |
| 第2章 基于Hilbert-Huang变换的故障诊断 | 第31-45页 |
| ·引言 | 第31页 |
| ·HILBERT-HUANG变换的理论基础 | 第31-34页 |
| ·经验模式分解 | 第31-34页 |
| ·Hilbert-Huang变换 | 第34页 |
| ·HILBERT-HUANG变换的端点效应及其解决方法 | 第34-40页 |
| ·Hilbert-Huang变换端点效应的分析 | 第34-35页 |
| ·Hilbert-Huang变换端点效应的解决方法 | 第35-39页 |
| ·仿真实验 | 第39-40页 |
| ·HILBERT-HUANG变换在汽轮发电机组故障诊断中的应用 | 第40-44页 |
| ·本章小结 | 第44-45页 |
| 第3章 基于核方法的故障特征提取技术 | 第45-59页 |
| ·引言 | 第45页 |
| ·模式识别与机器学习 | 第45-48页 |
| ·特征选择与特征提取的一般概念 | 第48-51页 |
| ·特征数据的压缩问题 | 第48-49页 |
| ·特征维数与识别率的关系 | 第49-50页 |
| ·特征选择与特征提取 | 第50-51页 |
| ·核方法的基本原理 | 第51-52页 |
| ·核主成分分析方法 | 第52-54页 |
| ·核独立分量分析方法 | 第54-56页 |
| ·核判别分析方法 | 第56-57页 |
| ·本章小结 | 第57-59页 |
| 第4章 神经网络集成学习的基本理论 | 第59-81页 |
| ·引言 | 第59-60页 |
| ·神经网络集成学习的研究动态 | 第60-66页 |
| ·神经网络集成学习的基本原理和方法 | 第66-70页 |
| ·集成学习的背景及其定义 | 第66-67页 |
| ·弱学习及其提升技术 | 第67-70页 |
| ·集成学习泛化能力的理论分析 | 第70-72页 |
| ·神经网络集成中的个体生成方式 | 第72-73页 |
| ·神经网络个体的集成方法 | 第73-74页 |
| ·选择性神经网络集成 | 第74-80页 |
| ·选择性集成的理论分析 | 第75-78页 |
| ·选择性集成的方法 | 第78-79页 |
| ·选择性集成的评价方法 | 第79-80页 |
| ·本章小结 | 第80-81页 |
| 第5章 基于模糊核聚类集成的汽轮机故障诊断 | 第81-103页 |
| ·引言 | 第81-82页 |
| ·神经网络模型及算法 | 第82-93页 |
| ·神经网络及其研究内容 | 第82-83页 |
| ·神经元模型 | 第83-84页 |
| ·基函数类型 | 第84页 |
| ·激活函数类型 | 第84-86页 |
| ·神经元学习算法 | 第86-89页 |
| ·BP神经网络 | 第89-93页 |
| ·神经网络模糊核聚类集成 | 第93-102页 |
| ·选择性聚类集成 | 第93-95页 |
| ·模糊核聚类算法 | 第95-96页 |
| ·基于KPCA和模糊核聚类集成的汽轮机故障诊断 | 第96-97页 |
| ·实例分析 | 第97-102页 |
| ·本章小结 | 第102-103页 |
| 第6章 基于动态选择性集成的汽轮机故障诊断 | 第103-112页 |
| ·引言 | 第103页 |
| ·神经网络动态选择性集成 | 第103-111页 |
| ·传统集成方法存在的不足 | 第103-104页 |
| ·动态选择性集成思想方法的提出 | 第104-105页 |
| ·基于KICA和动态选择性集成的汽轮机故障诊断 | 第105-108页 |
| ·实例分析 | 第108-111页 |
| ·本章小结 | 第111-112页 |
| 第7章 基于优化神经网络集成的汽轮机故障诊断 | 第112-120页 |
| ·引言 | 第112-113页 |
| ·生成成员神经网络的学习算法 | 第113-117页 |
| ·基于自适应遗传算法的成员神经网络 | 第113-114页 |
| ·基于混沌遗传算法的成员神经网络 | 第114页 |
| ·基于模糊遗传算法的成员神经网络 | 第114-116页 |
| ·基于免疫遗传算法的成员神经网络 | 第116页 |
| ·基于模拟退火遗传算法的成员神经网络 | 第116-117页 |
| ·基于粒子群优化算法的特殊成员神经网络 | 第117页 |
| ·个体神经网络动态权重的确定 | 第117-118页 |
| ·汽轮发电机组故障诊断实例 | 第118-119页 |
| ·本章小结 | 第119-120页 |
| 第8章 结论与展望 | 第120-123页 |
| ·本文的主要工作和创新点 | 第120-121页 |
| ·本课题今后的研究内容 | 第121-123页 |
| 参考文献 | 第123-133页 |
| 攻读博士学位期间发表的论文及其它成果 | 第133-134页 |
| 攻读博士学位期间参加的科研工作 | 第134-135页 |
| 致谢 | 第135-136页 |
| 作者简介 | 第136页 |
