| 摘要 | 第6-7页 |
| Abstract | 第7页 |
| 主要符号表 | 第11-12页 |
| 第1章 绪论 | 第12-19页 |
| 1.1 课题研究背景和意义 | 第12-13页 |
| 1.1.1 课题研究背景 | 第12页 |
| 1.1.2 研究意义 | 第12-13页 |
| 1.2 燃气轮机状态识别技术研究现状 | 第13-14页 |
| 1.2.1 国外研究现状 | 第13页 |
| 1.2.2 国内研究现状 | 第13-14页 |
| 1.3 研究内容及研究目标 | 第14页 |
| 1.3.1 研究内容 | 第14页 |
| 1.3.2 研究目标 | 第14页 |
| 1.4 论文内容安排 | 第14-15页 |
| 1.5 研究方案 | 第15-19页 |
| 1.5.1 工作机理简介 | 第15-16页 |
| 1.5.2 燃气轮机关键部件状态识别技术方案 | 第16-19页 |
| 第2章 基于核主元分析的燃气轮机关键部件特征提取技术研究 | 第19-27页 |
| 2.1 核方法 | 第19-21页 |
| 2.1.1 核方法的主要思想 | 第19-20页 |
| 2.1.2 核函数 | 第20-21页 |
| 2.2 主元分析 | 第21-22页 |
| 2.3 核主元分析 | 第22-24页 |
| 2.3.1 核主元分析的基本原理 | 第22-23页 |
| 2.3.2 核主元分析的过程 | 第23-24页 |
| 2.4 基于KPCA的燃气轮机关键部件状态特征提取 | 第24-26页 |
| 2.5 本章小结 | 第26-27页 |
| 第3章 基于神经网络的燃气轮机关键部件状态识别技术研究 | 第27-39页 |
| 3.1 人工神经网络 | 第27-32页 |
| 3.1.1 人工神经网络发展历史 | 第27-28页 |
| 3.1.2 人工神经网络定义及结构 | 第28-30页 |
| 3.1.3 人工神经网络特点及学习方式 | 第30-32页 |
| 3.2 基于GRNN神经网络燃气轮机关键部件状态识别技术研究 | 第32-36页 |
| 3.2.1 GRNN神经网络的基本原理 | 第32-34页 |
| 3.2.2 基于GRNN神经网络的燃气轮机关键部件状态识别试验研究 | 第34-36页 |
| 3.3 基于Elman神经网络燃气轮机关键部件状态识别技术研究 | 第36-38页 |
| 3.3.1 Elman神经网络的基本原理 | 第36-37页 |
| 3.3.2 基于Elman神经网络的燃气轮机关键部件状态识别试验研究 | 第37-38页 |
| 3.4 本章小结 | 第38-39页 |
| 第4章 基于深度学习的燃气轮机关键部件状态识别技术研究 | 第39-46页 |
| 4.1 深度学习 | 第39-40页 |
| 4.1.1 深度学习概念及结构 | 第39-40页 |
| 4.1.2 深度学习训练过程 | 第40页 |
| 4.2 深度信念神经网络 | 第40-44页 |
| 4.2.1 受限玻尔兹曼机 | 第41-43页 |
| 4.2.2 深度信念网络 | 第43-44页 |
| 4.3 基于深度信念神经网络的燃气轮机关键部件状态识别试验研究 | 第44-45页 |
| 4.4 本章小节 | 第45-46页 |
| 第5章 燃气轮机关键部件信息融合技术研究 | 第46-59页 |
| 5.1 信息融合技术理论 | 第46-47页 |
| 5.1.1 信息融合技术基本概念 | 第46-47页 |
| 5.1.2 信息融合技术的优点 | 第47页 |
| 5.2 基于模糊积分的燃气轮机关键部件状态识别技术研究 | 第47-52页 |
| 5.2.1 模糊积分理论 | 第47-50页 |
| 5.2.2 基于模糊积分的燃气轮机关键部件状态识别技术研究 | 第50-52页 |
| 5.3 基于D-S证据理论的燃气轮机关键部件状态识别技术研究 | 第52-58页 |
| 5.3.1 D-S证据理论 | 第52-54页 |
| 5.3.2 基于D-S证据理论的燃气轮机关键部件状态识别技术研究 | 第54-58页 |
| 5.4 不同状态识别方法识别结果对比 | 第58页 |
| 5.5 本章小节 | 第58-59页 |
| 结论 | 第59-61页 |
| 参考文献 | 第61-63页 |
| 致谢 | 第63-64页 |
| 攻读硕士期间发表（含录用）的学术论文 | 第64页 |
