摘要 | 第5-7页 |
ABSTRACT | 第7-8页 |
缩略术语表及数学符号 | 第9-19页 |
第一章 绪论 | 第19-39页 |
1.1 论文研究背景及意义 | 第19-20页 |
1.2 国内外盲分离技术研究进展 | 第20-30页 |
1.2.1 线性混叠盲分离算法 | 第22-27页 |
1.2.2 卷积混叠盲分离算法 | 第27-28页 |
1.2.3 非线性盲分离算法 | 第28-29页 |
1.2.4 欠定盲分离算法 | 第29-30页 |
1.3 盲分离技术在机械故障信号的测试技术研究进展 | 第30-35页 |
1.4 盲分离技术在机械故障诊断中的应用研究进展 | 第35-37页 |
1.5 课题来源、研究目标和研究内容 | 第37-39页 |
1.5.1 课题来源 | 第37页 |
1.5.2 研究目标和研究内容 | 第37-39页 |
第二章 两种基于神经网络的线性盲分离算法研究 | 第39-51页 |
2.1 引言 | 第39页 |
2.2 基于自适应线性神经网络盲分离算法 | 第39-42页 |
2.2.1 SALNN-BSS模型 | 第40-41页 |
2.2.2 SALNN-BSS求解 | 第41-42页 |
2.3 小脑模型神经网络线性盲分离算法 | 第42-46页 |
2.3.1 CMAC-BSS结构 | 第43页 |
2.3.2 CMAC-BSS求解 | 第43-46页 |
2.4 两种算法对混叠信号处理的对比分析 | 第46-49页 |
2.5 本章小结 | 第49-51页 |
第三章 基于最小二乘法的欠定盲分离算法研究 | 第51-64页 |
3.1 引言 | 第51页 |
3.2 基于最小二乘法的欠定盲分离算法 | 第51-55页 |
3.2.1 LSM算法思想 | 第51-52页 |
3.2.2 LSM-UBSS模型 | 第52页 |
3.2.3 LSM-UBSS解的唯一性 | 第52-55页 |
3.3 LSM-UBSS在稀疏混叠信号分离中仿真 | 第55-59页 |
3.4 LSM-UBSS在非稀疏混叠信号分离中仿真 | 第59-63页 |
3.5 本章小结 | 第63-64页 |
第四章 冰蓄冷陈列柜故障信号的盲分离技术应用 | 第64-83页 |
4.1 引言 | 第64页 |
4.2 冰蓄冷陈列柜原理与装置 | 第64-66页 |
4.3 冰蓄冷陈列柜实验测控系统 | 第66-72页 |
4.4 冰蓄冷陈列柜的轴流风叶故障诊断实验 | 第72-77页 |
4.5 冰蓄冷陈列柜的轴流风叶和水泵同时故障诊断实验 | 第77-82页 |
4.6 本章小结 | 第82-83页 |
第五章 发动机噪声信号的盲分离技术应用 | 第83-94页 |
5.1 引言 | 第83-84页 |
5.2 发动机噪声信号采集平台装置 | 第84-85页 |
5.2.1 发动机噪声实验测试平台 | 第84-85页 |
5.2.2 发动机噪声测试实验 | 第85页 |
5.3 发动机噪声信号的盲分离 | 第85-91页 |
5.4 发动机异响信号CMAC-BSS诊断技术应用 | 第91-93页 |
5.5 本章小结 | 第93-94页 |
第六章 救生舱CO_2空调故障信号的欠定盲分离技术应用 | 第94-110页 |
6.1 引言 | 第94-95页 |
6.2 CO_2空调系统工作原理与装置 | 第95页 |
6.3 CO_2空调故障实验测控系统 | 第95-98页 |
6.4 CO_2空调系统故障信号分析 | 第98-100页 |
6.4.1 振动信号分析 | 第98页 |
6.4.2 噪声信号分析 | 第98页 |
6.4.3 CO_2空调系统振动信号特点 | 第98-100页 |
6.5 已知数目故障源的LSM-UBSS故障诊断实验 | 第100-104页 |
6.6 未知数目故障源的LSM-UBSS故障诊断实验 | 第104-108页 |
6.6.1 减法聚类 | 第104-105页 |
6.6.2 减法聚类的欠定盲分离算法 | 第105页 |
6.6.3 两种聚类的欠定盲分离算法仿真与分析 | 第105-108页 |
6.7 本章小结 | 第108-110页 |
结论与展望 | 第110-113页 |
一、结论 | 第110-111页 |
二、工作展望 | 第111-113页 |
参考文献 | 第113-123页 |
攻读博士学位期间取得的研究成果 | 第123-125页 |
致谢 | 第125-126页 |
附件 | 第126页 |