| 提要 | 第1-7页 |
| 第一章 绪论 | 第7-15页 |
| ·发动机异响故障诊断及意义 | 第7-9页 |
| ·声学诊断技术 | 第7页 |
| ·机器声响的信息提取 | 第7-8页 |
| ·基于声响的发动机故障诊断的重要意义 | 第8-9页 |
| ·基于异响信号提取的发动机故障诊断研究现状 | 第9-13页 |
| ·声学诊断技术现状 | 第9-10页 |
| ·信号分离技术现状 | 第10-11页 |
| ·神经网络在混沌信号处理和发动机故障诊断中应用的研究现状 | 第11-13页 |
| ·要解决的主要问题 | 第13-15页 |
| 第二章 基于神经网络的信号预测模型 | 第15-22页 |
| ·引言 | 第15页 |
| ·神经网络理论基础 | 第15-19页 |
| ·神经元模型 | 第15-16页 |
| ·人工神经网络的基本结构 | 第16-17页 |
| ·神经网络的主要学习算法 | 第17-18页 |
| ·人工神经网络的重要特性 | 第18-19页 |
| ·神经网络信号预测模型 | 第19-21页 |
| ·用于建立预测模型的神经网络类别及其特性 | 第19-20页 |
| ·基于神经网络的预测模型的设计步骤 | 第20-21页 |
| ·本章小结 | 第21-22页 |
| 第三章 发动机声响信号特性分析 | 第22-36页 |
| ·引言 | 第22页 |
| ·混沌的定义 | 第22-24页 |
| ·相空间重构理论 | 第24-32页 |
| ·延迟坐标相空间重构法 | 第24-26页 |
| ·关联维数的确定 | 第26-27页 |
| ·嵌入维数的选择 | 第27-28页 |
| ·时间延迟的选择 | 第28-29页 |
| ·仿真实验 | 第29-32页 |
| ·基于最大Lyapunov 指数的发动机声响信号混沌特性判定 | 第32-35页 |
| ·最大李雅普诺夫指数的计算 | 第32-34页 |
| ·仿真实验 | 第34-35页 |
| ·本章小结 | 第35-36页 |
| 第四章 基于神经网络预测模型的异响信号提取 | 第36-55页 |
| ·引言 | 第36页 |
| ·径向基函数（RBF）神经网络 | 第36-38页 |
| ·RBF 网络的学习算法 | 第38-43页 |
| ·基本学习算法 | 第39-40页 |
| ·RBF 神经网络的改进学习算法 | 第40-41页 |
| ·提高神经网络泛化性能和实时性能的方法 | 第41-42页 |
| ·RBF 神经网络训练算法分类 | 第42-43页 |
| ·基于相空间重构与RBF 神经网络结合的异响信号提取 | 第43-46页 |
| ·RBF 神经网络预测模型的建立 | 第43-45页 |
| ·异响信号提取的基本过程 | 第45-46页 |
| ·仿真实验 | 第46-54页 |
| ·本章小结 | 第54-55页 |
| 第五章 基于小波变换的发动机故障异响信号消噪 | 第55-71页 |
| ·引言 | 第55页 |
| ·小波变换理论 | 第55-63页 |
| ·连续小波变换 | 第55-57页 |
| ·离散小波变换 | 第57-58页 |
| ·多分辨率分析、Mallat 算法 | 第58-63页 |
| ·常用的小波变换的消噪方法 | 第63-66页 |
| ·仿真实验 | 第66-70页 |
| ·本章小节 | 第70-71页 |
| 第六章 全文总结 | 第71-73页 |
| 参考文献 | 第73-78页 |
| 摘要 | 第78-80页 |
| Abstract | 第80-83页 |
| 致谢 | 第83页 |
