| 摘要 | 第4-5页 |
| Abstract | 第5页 |
| 第1章 绪论 | 第8-14页 |
| 1.1 课题研究背景及意义 | 第8-9页 |
| 1.2 国内外研究现状 | 第9-12页 |
| 1.2.1 故障诊断特征提取技术 | 第9-10页 |
| 1.2.2 随机邻域嵌入算法研究现状 | 第10-12页 |
| 1.2.3 随机邻域嵌入算法在实际中的应用研究现状 | 第12页 |
| 1.3 论文主要研究内容 | 第12-14页 |
| 第2章 随机邻域嵌入算法分析 | 第14-20页 |
| 2.1 常见数据降维算法介绍 | 第14-16页 |
| 2.1.1 随机邻域嵌入算法 | 第14-15页 |
| 2.1.2 主成分分析(PCA) | 第15页 |
| 2.1.3 局部线性嵌入(LLE) | 第15-16页 |
| 2.2 几种降维算法对数据集的降维效果 | 第16-18页 |
| 2.2.1 低维降维效果 | 第16-17页 |
| 2.2.2 分类效果比较 | 第17-18页 |
| 2.3 随机邻域嵌入算法分析 | 第18-19页 |
| 2.4 本章小结 | 第19-20页 |
| 第3章 基于Manhattan距离的随机邻域嵌入算法 | 第20-32页 |
| 3.1 Manhattan距离与欧氏距离 | 第20-22页 |
| 3.2 基于Manhattan距离的随机邻域嵌入算法(Manhattan-SNE) | 第22-24页 |
| 3.3 UCI数据分类识别 | 第24-26页 |
| 3.3.1 低维可视化效果 | 第24-25页 |
| 3.3.2 与其他降维方法的分类效果比较 | 第25-26页 |
| 3.4 仿真故障数据分类识别 | 第26-31页 |
| 3.4.1 故障原始特征提取 | 第26-27页 |
| 3.4.2 仿真故障信号分析 | 第27-31页 |
| 3.5 本章小结 | 第31-32页 |
| 第4章 基于拉普拉斯正则化度量学习的随机邻域嵌入算法 | 第32-40页 |
| 4.1 半监督学习研究背景及意义 | 第32页 |
| 4.2 半监督随机邻域嵌入算法 | 第32-35页 |
| 4.2.1 距离度量学习 | 第33-34页 |
| 4.2.2 基于拉普拉斯正则化度量学习的半监督随机邻域嵌入算法(ss-SNE) | 第34-35页 |
| 4.3 UCI数据分类识别 | 第35-39页 |
| 4.3.1 ss-SNE算法对数据集的分类效果 | 第36-37页 |
| 4.3.2 ss-SNE与其他半监督降维算法的对比 | 第37-39页 |
| 4.4 本章小结 | 第39-40页 |
| 第5章 增量随机邻域嵌入算法 | 第40-49页 |
| 5.1 增量学习 | 第40-41页 |
| 5.2 增量随机邻域嵌入算法 | 第41-46页 |
| 5.2.1 增量问题描述 | 第41页 |
| 5.2.2 两种增量思路 | 第41-43页 |
| 5.2.3 增量学习算法判断准则 | 第43页 |
| 5.2.4 两种增量学习思路的增量误差比较 | 第43-46页 |
| 5.3 UCI数据分析 | 第46-47页 |
| 5.4 本章小结 | 第47-49页 |
| 第6章 故障诊断实例分析 | 第49-55页 |
| 6.1 齿轮箱故障实验 | 第49-50页 |
| 6.2 基于Manhattan-SNE算法的故障诊断 | 第50-52页 |
| 6.2.1 故障信号处理流程 | 第51页 |
| 6.2.2 齿轮箱故障信号分析 | 第51-52页 |
| 6.3 基于半监督随机邻域嵌入算法的故障诊断 | 第52-53页 |
| 6.3.1 故障信号处理流程 | 第52-53页 |
| 6.3.2 齿轮箱故障信号分析 | 第53页 |
| 6.4 基于增量随机邻域嵌入算法的故障诊断 | 第53-54页 |
| 6.4.1 故障信号处理流程 | 第53页 |
| 6.4.2 齿轮箱故障信号分析 | 第53-54页 |
| 6.5 本章小结 | 第54-55页 |
| 第7章 总结与展望 | 第55-57页 |
| 7.1 全文总结 | 第55页 |
| 7.2 展望 | 第55-57页 |
| 参考文献 | 第57-60页 |
| 致谢 | 第60-61页 |
| 攻读硕士学位期间发表的论文 | 第61页 |
