| 摘要 | 第4-5页 |
| ABSTRAC T | 第5页 |
| 创新点摘要 | 第6-9页 |
| 第一章 绪论 | 第9-15页 |
| 1.1 课题研究的背景及意义 | 第9-10页 |
| 1.2 国内外研究现状 | 第10-13页 |
| 1.3 本文的主要研究内容 | 第13-15页 |
| 第二章 示功图预处理技术研究 | 第15-27页 |
| 2.1 示功图定义 | 第15页 |
| 2.2 理论示功图的形成 | 第15-16页 |
| 2.3 典型故障示功图 | 第16-19页 |
| 2.4 示功图预处理 | 第19-26页 |
| 2.4.1 灰度修正 | 第20-22页 |
| 2.4.2 图像平滑及边缘检测 | 第22-24页 |
| 2.4.3 图像分割 | 第24-26页 |
| 2.5 本章小结 | 第26-27页 |
| 第三章 基于矩特征傅里叶描述的示功图特征提取 | 第27-36页 |
| 3.1 示功图的形状特征提取 | 第27-33页 |
| 3.1.1 矩特征矢量法 | 第27-29页 |
| 3.1.2 傅里叶描述法 | 第29-32页 |
| 3.1.3 基于矩特征傅里叶描述法的示功图特征提取 | 第32-33页 |
| 3.2 基于矩特征傅里叶描述的抽油机故障诊断 | 第33-35页 |
| 3.2.1 基于矩特征傅里叶描述的欧氏距离法分类 | 第33-34页 |
| 3.2.2 傅里叶描述与矩特征傅里叶描述的故障诊断训练效果比较 | 第34-35页 |
| 3.3 本章小结 | 第35-36页 |
| 第四章 人工鱼群神经网络的抽油机故障诊断 | 第36-50页 |
| 4.1 人工鱼群算法 | 第36-39页 |
| 4.1.1 基本思想 | 第36页 |
| 4.1.2 人工鱼的行为描述 | 第36-38页 |
| 4.1.3 人工鱼群算法的寻优原理 | 第38-39页 |
| 4.2 人工神经网络 | 第39-42页 |
| 4.2.1 BP网络模型结构 | 第40-41页 |
| 4.2.2 BP学习算法 | 第41-42页 |
| 4.3 人工鱼群BP神经网络算法的实现 | 第42-46页 |
| 4.3.1 基本思想 | 第42-43页 |
| 4.3.2 算法的实现 | 第43-46页 |
| 4.4 仿真分析 | 第46-49页 |
| 4.5 本章小结 | 第49-50页 |
| 结论 | 第50-51页 |
| 参考文献 | 第51-54页 |
| 发表文章目录 | 第54-55页 |
| 致谢 | 第55-56页 |