| 摘要 | 第4-5页 |
| abstract | 第5-6页 |
| 第1章 绪论 | 第12-20页 |
| 1.1 论文研究背景及意义 | 第12-13页 |
| 1.2 国内外研究现状 | 第13-17页 |
| 1.2.1“亚健康”的研究现状及发展 | 第13-14页 |
| 1.2.2 故障诊断的研究现状 | 第14-16页 |
| 1.2.3 深度学习研究现状 | 第16-17页 |
| 1.3 论文的主要研究内容 | 第17-18页 |
| 1.4 论文的组织结构 | 第18-20页 |
| 第2章 相关基础理论 | 第20-40页 |
| 2.1 BP神经网络 | 第21-25页 |
| 2.1.1 BP神经网络结构 | 第21-22页 |
| 2.1.2 BP算法步骤 | 第22-24页 |
| 2.1.3 BP神经网络的优缺点分析 | 第24-25页 |
| 2.2 深度学习 | 第25-35页 |
| 2.2.1 深度学习的基本思想 | 第25-26页 |
| 2.2.2 深度学习常用方法 | 第26-34页 |
| 2.2.3 深度学习优缺点分析 | 第34-35页 |
| 2.3 相关向量机 | 第35-39页 |
| 2.3.1 贝叶斯学习理论 | 第36-37页 |
| 2.3.2 相关向量机分类 | 第37-39页 |
| 2.3.3 相关向量机的优缺点分析 | 第39页 |
| 2.4 本章小结 | 第39-40页 |
| 第3章 自动编码器算法改进研究 | 第40-56页 |
| 3.1 常用编码器分析 | 第40-41页 |
| 3.2 一种改进的AG-smDAE-SoftMax分类器自动编码器 | 第41-45页 |
| 3.2.1 问题的提出 | 第41页 |
| 3.2.2 稀疏边缘降噪自动编码器（smDAE） | 第41-42页 |
| 3.2.3 对学习率的改进 | 第42-44页 |
| 3.2.4 AG-smDAE自动编码器 | 第44-45页 |
| 3.3 一种改进的AG-smDAE-fmRVM分类器自动编码器 | 第45-55页 |
| 3.3.1 一种深度自动编码器-相关向量机网络模型 | 第45-46页 |
| 3.3.2 核分类思想 | 第46-48页 |
| 3.3.3 问题的提出 | 第48页 |
| 3.3.4 核函数整合 | 第48-49页 |
| 3.3.5 最优映射的相关向量机核参数选取 | 第49-53页 |
| 3.3.6 布谷鸟算法寻找最优核参数 | 第53-55页 |
| 3.4 本章小结 | 第55-56页 |
| 第4章 D-S证据理论的“亚健康”状态识别 | 第56-66页 |
| 4.1 问题的提出 | 第56页 |
| 4.2 D-S证据理论 | 第56-60页 |
| 4.2.1 D-S证据理论基本概念 | 第56-58页 |
| 4.2.2 D-S证据理论的合成规则 | 第58-59页 |
| 4.2.3 D-S证据理论的决策方法 | 第59-60页 |
| 4.3 基于D-S理论的亚健康识别算法 | 第60-65页 |
| 4.3.1 D-S证据理论优缺点分析 | 第60-61页 |
| 4.3.2 融合深度模型与D-S证据理论 | 第61-63页 |
| 4.3.3 融合后的算法流程 | 第63-65页 |
| 4.4 本章小结 | 第65-66页 |
| 第5章 实验结果及分析 | 第66-81页 |
| 5.1 数据选取 | 第67-69页 |
| 5.2 数据预处理 | 第69-71页 |
| 5.2.1 傅里叶变换 | 第69-70页 |
| 5.2.2 归一化处理 | 第70-71页 |
| 5.3 深度网络训练 | 第71-74页 |
| 5.3.1 深度网络参数确定 | 第71-72页 |
| 5.3.2 边界确定及分析 | 第72-74页 |
| 5.4 AG-smDAE实验结果与分析 | 第74-75页 |
| 5.5 核参数选取实验结果与分析 | 第75-77页 |
| 5.6 基于D-S证据理论的“亚健康”识别实验分析 | 第77-80页 |
| 5.7 本章小结 | 第80-81页 |
| 第6章 总结与展望 | 第81-83页 |
| 6.1 总结 | 第81-82页 |
| 6.2 展望 | 第82-83页 |
| 致谢 | 第83-84页 |
| 参考文献 | 第84-88页 |
| 攻读学位期间发表的学术论文及参加科研情 | 第88-89页 |
