| 摘要 | 第5-6页 |
| Abstract | 第6-7页 |
| 第1章 绪论 | 第11-17页 |
| 1.1 课题的研究背景和意义 | 第11-12页 |
| 1.2 课题的研究现状 | 第12-13页 |
| 1.2.1 轧制过程故障诊断的研究范畴 | 第12页 |
| 1.2.2 轧制过程故障诊断的发展概况及发展趋势 | 第12-13页 |
| 1.3 信息融合技术的发展现状 | 第13-14页 |
| 1.4 本文的主要研究内容 | 第14-17页 |
| 第2章 信息融合技术概述 | 第17-29页 |
| 2.1 信息融合的定义及基本原理 | 第17-18页 |
| 2.2 信息融合的模型 | 第18-20页 |
| 2.2.1 信息融合的功能模型 | 第18-19页 |
| 2.2.2 信息融合的结构模型 | 第19页 |
| 2.2.3 信息融合的数学模型 | 第19-20页 |
| 2.3 信息融合的层次 | 第20-22页 |
| 2.4 基于信息融合的故障诊断 | 第22-27页 |
| 2.4.1 信息融合与故障诊断 | 第22页 |
| 2.4.2 信息融合故障诊断的几种常见方法介绍 | 第22-26页 |
| 2.4.3 基于信息融合的故障诊断模型 | 第26-27页 |
| 2.5 本章小结 | 第27-29页 |
| 第3章 基于ANFIS的特征层局部诊断算法研究 | 第29-43页 |
| 3.1 模糊神经网络在信息融合故障诊断中的应用 | 第29页 |
| 3.2 模糊神经网络的理论基础 | 第29-35页 |
| 3.2.1 BP神经网络 | 第29-31页 |
| 3.2.2 模糊推理系统 | 第31-34页 |
| 3.2.3 模糊神经网络的优点 | 第34-35页 |
| 3.3 ANFIS的算法研究 | 第35-42页 |
| 3.3.1 ANFIS的工作原理与结构 | 第35-37页 |
| 3.3.2 ANFIS的算法与改进 | 第37-41页 |
| 3.3.3 算例分析与比较 | 第41-42页 |
| 3.4 本章小结 | 第42-43页 |
| 第4章 基于D-S证据理论的决策层融合算法研究 | 第43-57页 |
| 4.1 D-S证据理论 | 第43-49页 |
| 4.1.1 D-S证据理论的基本概念 | 第43-45页 |
| 4.1.2 D-S证据理论的组合规则 | 第45-46页 |
| 4.1.3 D-S证据理论的决策规则 | 第46-48页 |
| 4.1.4 D-S证据理论存在的缺陷 | 第48-49页 |
| 4.2 改进的D-S证据理论 | 第49-55页 |
| 4.2.1 现有的改进方法 | 第49-50页 |
| 4.2.2 一种新的基于证据权重的D-S改进算法 | 第50-53页 |
| 4.2.3 算例分析与比较 | 第53-55页 |
| 4.3 本章小结 | 第55-57页 |
| 第5章 基于信息融合的轧制过程故障诊断实例 | 第57-67页 |
| 5.1 轧制过程特征变量的选取 | 第57-58页 |
| 5.2 基于多ANFIS和改进D-S证据理论的轧制过程诊断模型 | 第58-61页 |
| 5.2.1 基于多ANFIS融合诊断中心的特征层局部诊断层 | 第59-60页 |
| 5.2.2 基于改进D-S证据理论的决策层融合诊断层 | 第60-61页 |
| 5.3 诊断实例 | 第61-66页 |
| 5.3.1 特征层局部诊断 | 第62-64页 |
| 5.3.2 决策层融合诊断 | 第64-66页 |
| 5.4 本章小结 | 第66-67页 |
| 第6章 总结与展望 | 第67-69页 |
| 6.1 总结 | 第67-68页 |
| 6.2 展望 | 第68-69页 |
| 参考文献 | 第69-73页 |
| 致谢 | 第73页 |
