| 摘要 | 第5-6页 |
| ABSTRACT | 第6-7页 |
| 第1章 绪论 | 第10-17页 |
| 1.1 研究背景及意义 | 第10-11页 |
| 1.2 基于信息融合的故障诊断方法综述 | 第11-14页 |
| 1.2.1 信息融合的基本概念 | 第11页 |
| 1.2.2 基于信息融合的故障诊断方法综述 | 第11-14页 |
| 1.3 本文研究内容及其结构安排 | 第14-17页 |
| 第2章 证据推理（ER）的基础理论 | 第17-21页 |
| 2.1 引言 | 第17页 |
| 2.2 Dempster证据组合规则 | 第17-18页 |
| 2.3 证据推理（ER）组合规则 | 第18-20页 |
| 2.4 本章小结 | 第20-21页 |
| 第3章 基于证据推理的电机转子系统故障诊断方法 | 第21-38页 |
| 3.1 引言 | 第21页 |
| 3.2 基于样本区间投点的似然函数归一化诊断证据获取方法 | 第21-23页 |
| 3.3 基于样本区间投点的诊断证据可靠性因子求取方法 | 第23-24页 |
| 3.4 基于双目标优化模型的证据权重训练方法 | 第24-25页 |
| 3.5 ER规则下的证据融合与故障决策 | 第25-26页 |
| 3.6 电机转子故障诊断实例分析 | 第26-37页 |
| 3.6.1 电机转子实验设置 | 第26-27页 |
| 3.6.2 求取诊断证据及其可靠性因子 | 第27-30页 |
| 3.6.3 求取诊断证据权重 | 第30-37页 |
| 3.6.4 方法测试与分析 | 第37页 |
| 3.7 本章小结 | 第37-38页 |
| 第4章 基于证据推理的轨道高低不平顺故障诊断方法 | 第38-61页 |
| 4.1 引言 | 第38-40页 |
| 4.2 轨道高低不平顺动态管理案例分析 | 第40-41页 |
| 4.3 基于样本参考值投点的似然函数归一化诊断证据获取方法 | 第41-42页 |
| 4.4 基于不平顺-振动幅值正相关性的证据可靠性因子求取方法 | 第42-43页 |
| 4.5 ER规则下的证据融合与高低不平顺幅值估计 | 第43-44页 |
| 4.6 证据推理模型参数的训练方法 | 第44页 |
| 4.7 基于不平顺幅值估计的故障等级评价 | 第44-45页 |
| 4.8 不完备故障样本数据条件下的证据推理模型 | 第45-48页 |
| 4.9 轨道不平顺故障诊断实例分析 | 第48-59页 |
| 4.9.1 完备样本情况下的实例分析 | 第48-57页 |
| 4.9.2 完备与不完备样本混合情况下的实例分析 | 第57-59页 |
| 4.10 本章小结 | 第59-61页 |
| 第5章 基于证据推理的广义分类器设计 | 第61-71页 |
| 5.1 引言 | 第61-62页 |
| 5.2 基于属性参考值投点的似然函数归一化证据获取方法 | 第62-63页 |
| 5.3 基于属性值变化区间投点的证据可靠性因子获取方法 | 第63-64页 |
| 5.4 ER规则下的证据融合与分类决策 | 第64-65页 |
| 5.5 基于序列线性规划的分类器参数优化方法 | 第65-66页 |
| 5.5.1 证据推理分类器的参数优化模型 | 第65页 |
| 5.5.2 基于序列线性规划的模型参数优化 | 第65-66页 |
| 5.6 典型数据集下的分类实验及对比分析 | 第66-70页 |
| 5.6.1 鸢尾花（Iris）数据集的分类实例分析 | 第66-69页 |
| 5.6.2 基于五种基准数据集的分类对比实验 | 第69-70页 |
| 5.7 本章小结 | 第70-71页 |
| 第6章 总结与展望 | 第71-74页 |
| 6.1 研究总结 | 第71-72页 |
| 6.2 工作展望 | 第72-74页 |
| 致谢 | 第74-75页 |
| 参考文献 | 第75-81页 |
| 附录 | 第81-82页 |
