摘要 | 第1-6页 |
ABSTRACT | 第6-10页 |
第一章 绪论 | 第10-18页 |
·研究背景及意义 | 第10-11页 |
·国内外研究现状 | 第11-16页 |
·本文研究内容及组成 | 第16-18页 |
第二章 数据驱动的预测方法 | 第18-39页 |
·统计学方法-Weibull 分布 | 第19-20页 |
·时间序列分析-ARMA 模型 | 第20-22页 |
·贝叶斯模型预测方法 | 第22-25页 |
·灰色理论预测方法 | 第25-26页 |
·隐马尔可夫模型预测方法 | 第26-30页 |
·支持向量机预测方法 | 第30-33页 |
·人工神经网络预测方法 | 第33-38页 |
·本章小结 | 第38-39页 |
第三章 振动信号特征提取与试验研究 | 第39-56页 |
·试验数据来源 | 第39页 |
·时域特征提取方法 | 第39-42页 |
·频域特征提取-小波包能量熵 | 第42-53页 |
·小波包变换(Wavelet packet transform,WPT) | 第42-45页 |
·熵理论 | 第45-46页 |
·小波包能量熵理论 | 第46页 |
·小波包能量熵提取方法试验 | 第46-53页 |
·指数加权滑动平均(EWMA) | 第53-55页 |
·本章小结 | 第55-56页 |
第四章 基于 BP 神经网络预测方法研究与试验 | 第56-95页 |
·BP 神经网络的参数选取及结构设计 | 第56-60页 |
·BP 神经网络的结构设计 | 第56-58页 |
·BP 神经网络的样本处理 | 第58-59页 |
·BP 神经网络的参数选择 | 第59-60页 |
·BP 神经网络学习算法 | 第60-72页 |
·常规 BP 算法的不足 | 第60-61页 |
·改进的 BP 网络算法 | 第61-71页 |
·启发式改进方法 | 第62-66页 |
·数值优化的改进方法 | 第66-71页 |
·BP 算法的分析比较 | 第71-72页 |
·基于小波包能量熵值的 BP 网络预测方法与试验 | 第72-89页 |
·BP 神经网络数据样本构造 | 第73页 |
·BP 神经网络的构建 | 第73-76页 |
·BP 神经网络的预测与误差分析 | 第76-89页 |
·基于 BP 网络预测方法的锂电池寿命预测 | 第89-94页 |
·本章小结 | 第94-95页 |
第五章 总结与展望 | 第95-97页 |
·全文总结 | 第95-96页 |
·展望 | 第96-97页 |
致谢 | 第97-98页 |
参考文献 | 第98-102页 |
硕士期间取得的研究成果 | 第102-103页 |